| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 引言 | 第9-10页 |
| 1.2 单一多元校正方法 | 第10-14页 |
| 1.2.1 多元线性回归(MLR) | 第10-11页 |
| 1.2.2 主成分回归方法(PCR) | 第11页 |
| 1.2.3 偏最小二乘(PLS) | 第11-12页 |
| 1.2.4 人工神经网络(ANN) | 第12页 |
| 1.2.5 支持向量回归(SVR) | 第12-13页 |
| 1.2.6 极限学习机(ELM) | 第13-14页 |
| 1.3 稳健多元校正方法 | 第14-16页 |
| 1.3.1 稳健主成分回归(robust PCR) | 第15页 |
| 1.3.2 稳健偏最小二乘(robust PLS) | 第15页 |
| 1.3.3 稳健极限学习机(robust ELM) | 第15-16页 |
| 1.4 集成多元校正建模方法 | 第16-17页 |
| 1.4.1 Bagging集成建模方法 | 第16页 |
| 1.4.2 Subagging集成建模方法 | 第16-17页 |
| 1.4.3 Boosting集成建模方法 | 第17页 |
| 1.5 课题的研究思路及内容 | 第17-19页 |
| 第二章 Subagging极限学习机方法 | 第19-29页 |
| 2.1 引言 | 第19-20页 |
| 2.2 原理与算法 | 第20-21页 |
| 2.2.1 Subagging策略 | 第20页 |
| 2.2.2 Subagging极限学习机 | 第20-21页 |
| 2.3 实验 | 第21-22页 |
| 2.4 结果与讨论 | 第22-27页 |
| 2.4.1 子模型数的确定 | 第22-23页 |
| 2.4.2 训练子集样本数的确定 | 第23-24页 |
| 2.4.3 模型的稳定性 | 第24-25页 |
| 2.4.4 不同方法预测结果的比较 | 第25-27页 |
| 2.5 小结 | 第27-29页 |
| 第三章 Boosting极限学习机方法 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 原理与算法 | 第30-32页 |
| 3.3 实验 | 第32-34页 |
| 3.4 结果与讨论 | 第34-39页 |
| 3.4.1 极限学习机参数的优化 | 第34-35页 |
| 3.4.2 迭代次数的确定 | 第35-36页 |
| 3.4.3 训练子集样本数的确定 | 第36-37页 |
| 3.4.4 不同方法预测结果的比较 | 第37-39页 |
| 3.5 小结 | 第39-41页 |
| 第四章 Robust boosting极限学习机方法 | 第41-53页 |
| 4.1 引言 | 第41-42页 |
| 4.2 原理与算法 | 第42-44页 |
| 4.3 实验 | 第44-47页 |
| 4.4 结果与讨论 | 第47-51页 |
| 4.4.1 子模型数的确定 | 第47页 |
| 4.4.2 训练子集样本数的确定 | 第47-49页 |
| 4.4.3 模型的稳健性 | 第49-50页 |
| 4.4.4 不同方法预测结果的比较 | 第50-51页 |
| 4.5 小结 | 第51-53页 |
| 第五章 结论 | 第53-55页 |
| 参考文献 | 第55-63页 |
| 学术论文及专利 | 第63-65页 |
| 致谢 | 第65页 |
