| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第12-35页 |
| 1.1 研究背景与研究意义 | 第12-15页 |
| 1.2 课题来源 | 第15页 |
| 1.3 国内外研究现状 | 第15-32页 |
| 1.4 论文研究内容概要和结构安排 | 第32-35页 |
| 2 修正的正则化极端学习机预测方法 | 第35-53页 |
| 2.1 引言 | 第35-36页 |
| 2.2 状态空间重建 | 第36-37页 |
| 2.3 正则化的极端学习机 | 第37-41页 |
| 2.4 修正的正则化极端学习机预测模型 | 第41-44页 |
| 2.5 仿真实例 | 第44-51页 |
| 2.6 本章小结 | 第51-53页 |
| 3 鲁棒变分回声状态网络预测方法 | 第53-72页 |
| 3.1 引言 | 第53-54页 |
| 3.2 不同概率分布鲁棒性分析 | 第54-55页 |
| 3.3 贝叶斯回归回声状态网络预测模型 | 第55-58页 |
| 3.4 鲁棒变分回声状态网络预测模型 | 第58-63页 |
| 3.5 仿真实例 | 第63-71页 |
| 3.6 本章小结 | 第71-72页 |
| 4 组合随机映射神经网络预测方法 | 第72-89页 |
| 4.1 引言 | 第72-73页 |
| 4.2 多核极端学习机 | 第73-75页 |
| 4.3 基于ADABOOST.RT的多核极端学习机预测模型 | 第75-76页 |
| 4.4 算法评估 | 第76-77页 |
| 4.5 双稀疏相关向量机模型 | 第77-79页 |
| 4.6 多稀疏回声状态网络预测模型 | 第79-82页 |
| 4.7 仿真实例 | 第82-88页 |
| 4.8 本章小结 | 第88-89页 |
| 5 随机映射神经网络在数控机床进给系统时间序列预测中的应用 | 第89-111页 |
| 5.1 引言 | 第89页 |
| 5.2 数控机床进给系统运动数据采集 | 第89-91页 |
| 5.3 进给系统时间序列 | 第91-97页 |
| 5.4 修正的正则化极端学习机预测进给系统时间序列 | 第97-101页 |
| 5.5 鲁棒回声状态网络预测进给系统时间序列 | 第101-105页 |
| 5.6 组合随机映射神经网络预测进给系统时间序列 | 第105-109页 |
| 5.7 不同模型预测进给系统时间序列分析 | 第109页 |
| 5.8 本章小结 | 第109-111页 |
| 6 总结与展望 | 第111-116页 |
| 6.1 全文总结 | 第111-113页 |
| 6.2 创新点 | 第113-114页 |
| 6.3 展望 | 第114-116页 |
| 致谢 | 第116-118页 |
| 参考文献 | 第118-132页 |
| 附录1 攻读博士学位期间发表的学术论文目录 | 第132-133页 |
| 附录2 攻读博士学位期间参加的科研项目 | 第133页 |
