| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 本课题研究背景 | 第13-14页 |
| 1.2 国内外研究现状分析 | 第14-15页 |
| 1.2.1 时间序列研究现状分析 | 第14页 |
| 1.2.2 集成选择技术的研究现状分析 | 第14-15页 |
| 1.3 本文的主要工作及创新点 | 第15-16页 |
| 1.4 本文各章内容安排 | 第16-19页 |
| 第二章 极限学习机和层次式极限学习机算法介绍 | 第19-25页 |
| 2.1 极限学习机(ELM) | 第19-21页 |
| 2.2 层次式极限学习机(H-ELM) | 第21-25页 |
| 第三章 集成系统与集成选择技术的概述 | 第25-31页 |
| 3.1 集成系统的概述 | 第25-26页 |
| 3.2 集成选择技术的概述 | 第26-27页 |
| 3.3 集成选择在时间序列预测上的应用分析 | 第27-31页 |
| 第四章 适用于时间序列预测的动态集成选择算法研究 | 第31-51页 |
| 4.1 引言 | 第31页 |
| 4.2 适用于时间序列预测的动态集成选择算法 | 第31-41页 |
| 4.2.1 DES-PALR算法 | 第33-35页 |
| 4.2.2 三个应用到时间序列预测问题上的动态验证集剪枝算法 | 第35-38页 |
| 4.2.3 DES-CP算法 | 第38-41页 |
| 4.3 实验及分析 | 第41-50页 |
| 4.3.1 实验数据集与数据预处理 | 第41-42页 |
| 4.3.2 实验方法 | 第42-43页 |
| 4.3.3 实验结果 | 第43-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于元学习范式的动态集成选择算法的研究并应用到解决时间序列预测问题 | 第51-67页 |
| 5.1 引言 | 第51页 |
| 5.2 度量预测器性能 | 第51-52页 |
| 5.3 提出的适用于时间序列预测问题的META-DES-TSP框架 | 第52-59页 |
| 5.3.1 集成系统生成阶段 | 第53-54页 |
| 5.3.2 元训练阶段 | 第54-58页 |
| 5.3.3 泛化阶段 | 第58-59页 |
| 5.4 实验 | 第59-65页 |
| 5.4.1 数据集 | 第59页 |
| 5.4.2 实验设置 | 第59-60页 |
| 5.4.3 实验结果 | 第60-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第六章 ELM-SO模型和H-ELM-SO模型及其在时间序列预测中的应用研究 | 第67-83页 |
| 6.1 引言 | 第67页 |
| 6.2 对基模型的结构优化 | 第67-69页 |
| 6.2.1 剪枝ELM模型的隐节点方法 | 第68页 |
| 6.2.2 剪枝H-ELM模型的隐节点方法 | 第68-69页 |
| 6.3 提出的ELM-SO与H-ELM-SO模型 | 第69-75页 |
| 6.3.1 ELM-SO模型 | 第69-71页 |
| 6.3.2 H-ELM-SO模型 | 第71-75页 |
| 6.4 实验结果 | 第75-81页 |
| 6.4.1 数据集处理 | 第75页 |
| 6.4.2 算法设置 | 第75-76页 |
| 6.4.3 实验结果展示与对比 | 第76-81页 |
| 6.5 本章小结 | 第81-83页 |
| 第七章 总结与展望 | 第83-85页 |
| 7.1 总结 | 第83页 |
| 7.2 展望 | 第83-85页 |
| 参考文献 | 第85-91页 |
| 致谢 | 第91-92页 |
| 硕士研究生期间完成的学术论文 | 第92页 |
