| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 间接方法 | 第9-10页 |
| 1.2.2 直接方法 | 第10-11页 |
| 1.3 基本框架 | 第11页 |
| 1.4 本文创新点 | 第11-12页 |
| 第2章 几种已有的经典回归函数导函数学习算法简述 | 第12-24页 |
| 2.1 经验导数 | 第12-15页 |
| 2.2 基于差商加权最小二乘 | 第15-17页 |
| 2.3 最优导数 | 第17-20页 |
| 2.4 样条回归 | 第20-22页 |
| 2.5 核方法 | 第22-24页 |
| 第3章 基于正则化RVFL网络学习算法的导函数学习 | 第24-34页 |
| 3.1 模型介绍和正则化方法 | 第24-27页 |
| 3.1.1 模型介绍 | 第24页 |
| 3.1.2 正则化方法 | 第24-26页 |
| 3.1.3 评估准则 | 第26-27页 |
| 3.2 随机方法 | 第27-29页 |
| 3.2.1 神经网络 | 第27-29页 |
| 3.2.2 随机向量泛函链接网络 | 第29页 |
| 3.3 ReRVFLN算法 | 第29-34页 |
| 3.3.1 算法过程 | 第29-31页 |
| 3.3.2 激活函数的选择 | 第31-34页 |
| 第4章 算法实验分析 | 第34-47页 |
| 4.1 数据产生及模型评价 | 第34-36页 |
| 4.1.1 数据介绍 | 第34页 |
| 4.1.2 模型参数介绍和性能评价方法 | 第34-36页 |
| 4.2 实验报告 | 第36-44页 |
| 4.2.1 直接方法 | 第36-37页 |
| 4.2.2 间接方法 | 第37-39页 |
| 4.2.3 综合分析 | 第39-44页 |
| 4.3 推广到多维情况 | 第44-46页 |
| 4.4 小结 | 第46-47页 |
| 第5章 总结与展望 | 第47-48页 |
| 5.1 总结 | 第47页 |
| 5.2 研究展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |