| 摘要 | 第1-6页 |
| abstract | 第6-10页 |
| 1 绪论 | 第10-19页 |
| ·研究背景 | 第10页 |
| ·研究意义与目的 | 第10-12页 |
| ·研究意义 | 第10-11页 |
| ·研究目的 | 第11-12页 |
| ·极限学习机理论 | 第12-17页 |
| ·单隐含层前馈神经网络（SLFN）模型 | 第12-14页 |
| ·极限学习机原理 | 第14-15页 |
| ·极限学习机研究现状 | 第15-17页 |
| ·本文创新点及组织结构 | 第17-18页 |
| ·文章创新点 | 第17-18页 |
| ·组织结构 | 第18页 |
| ·本章小结 | 第18-19页 |
| 2 ELM理论及其发展 | 第19-32页 |
| ·结构增长型ELM算法 | 第19-22页 |
| ·I-ELM（Incremental ELM）算法 | 第19-20页 |
| ·CI-ELM（Convex Incremental ELM）算法 | 第20-21页 |
| ·EM-ELM（Error Minimized ELM）算法 | 第21-22页 |
| ·结构递减型ELM算法 | 第22-24页 |
| ·P-ELM（Pruned ELM）算法 | 第22-23页 |
| ·OP-ELM （Optimally-Pruned ELM）算法 | 第23-24页 |
| ·正则化极限学习机 | 第24-26页 |
| ·RELM（Regularized ELM）算法 | 第24-25页 |
| ·TROP-ELM（LARS and Tikhonov Regularized ELM）算法 | 第25-26页 |
| ·在线极限学习机 | 第26-28页 |
| ·OS-ELM（Online Sequential ELM）算法 | 第26-27页 |
| ·FOS-ELM（Forgetting OS-ELM）算法 | 第27-28页 |
| ·核极限学习机 | 第28-31页 |
| ·KELM（Kernel ELM）算法 | 第28-29页 |
| ·NKELM（Nystrom Kernel ELM）算法 | 第29-30页 |
| ·RKELM（Reduced Kernel ELM）算法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 3 引入时效机制的在线核极限学习机的优化与集成 | 第32-46页 |
| ·引入时效机制的在线核极限学习机 | 第32-36页 |
| ·在线核极限学习机原理 | 第32-33页 |
| ·时间序列概念及其时效性特征 | 第33-34页 |
| ·引入时效性的在线核极限学习机 | 第34-36页 |
| ·果蝇算法优化在线核极限学习机模型 | 第36-42页 |
| ·果蝇算法原理 | 第36-38页 |
| ·果蝇算法参数设置及改进 | 第38-39页 |
| ·改进果蝇算法优化在线核极限学习机模型 | 第39-42页 |
| ·自适应集成在线核极限学习机 | 第42-45页 |
| ·集成权重的自适应调整 | 第42-43页 |
| ·模型的选择性集成 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 4 AE-OSKELM算法的仿真实验与应用 | 第46-61页 |
| ·实验环境与配置 | 第46页 |
| ·仿真实验 | 第46-53页 |
| ·仿真数据的生成 | 第47页 |
| ·算法参数的设置 | 第47-50页 |
| ·实验与评估 | 第50-53页 |
| ·UCI数据集测试 | 第53-57页 |
| ·数据来源及预处理 | 第53-54页 |
| ·实验评估 | 第54-57页 |
| ·股价预测应用 | 第57-60页 |
| ·数据来源及预处理 | 第57页 |
| ·实验评估 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-64页 |
| ·工作总结 | 第61-62页 |
| ·不足与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 附录 | 第69-71页 |
| 攻读硕士学位期间科研成果 | 第71-72页 |
| 致谢 | 第72页 |
