| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 人工神经网络的应用 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 超限学习机基本理论 | 第18-29页 |
| 2.1 单隐含层前馈神经网络 | 第18-19页 |
| 2.2 反向传播算法 | 第19-20页 |
| 2.3 超限学习机的基本原理 | 第20-22页 |
| 2.4 对比深度学习和生物学习 | 第22-24页 |
| 2.4.1 超限学习机与深度学习 | 第22-23页 |
| 2.4.2 超限学习机与生物学习 | 第23-24页 |
| 2.5 超限学习机的研究目标 | 第24页 |
| 2.6 超限学习机的研究现状 | 第24-27页 |
| 2.7 超限学习机面临的挑战 | 第27页 |
| 2.8 本章小结 | 第27-29页 |
| 第三章 基于误差最小化的自适应增量超限学习机 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 增量学习 | 第29-30页 |
| 3.3 误差最小化超限学习机 | 第30-33页 |
| 3.3.1 理论基础 | 第30-31页 |
| 3.3.2 最小化误差约束 | 第31页 |
| 3.3.3 增量更新输出权重 | 第31-32页 |
| 3.3.4 算法描述 | 第32-33页 |
| 3.4 AIE-ELM | 第33-35页 |
| 3.5 实验设计与结果分析 | 第35-37页 |
| 3.5.1 实验环境与数据集 | 第35-36页 |
| 3.5.2 对比实验 | 第36页 |
| 3.5.3 问题分析 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于局部泛化误差的AIE-ELM改进学习机制 | 第38-54页 |
| 4.1 引言 | 第38页 |
| 4.2 泛化能力 | 第38-39页 |
| 4.3 局部泛化误差模型 | 第39-41页 |
| 4.3.1 Q-邻域 | 第39-40页 |
| 4.3.2 局部泛化误差 | 第40-41页 |
| 4.3.3 随机敏感度 | 第41页 |
| 4.4 本章改进学习机制 | 第41-47页 |
| 4.4.1 局部泛化误差约束策略 | 第42页 |
| 4.4.2 AIEL-ELM框架概述 | 第42-44页 |
| 4.4.3 AIEL-ELM详细步骤 | 第44-45页 |
| 4.4.4 算法描述 | 第45-47页 |
| 4.5 实验设计 | 第47-49页 |
| 4.5.1 实验环境与数据集 | 第47-48页 |
| 4.5.2 常量设定 | 第48页 |
| 4.5.3 实验内容 | 第48-49页 |
| 4.6 实验结果与分析 | 第49-53页 |
| 4.6.1 局部泛化误差约束的有效性分析 | 第49页 |
| 4.6.2 共同约束的性能分析 | 第49-50页 |
| 4.6.3 与其他ELM的对比实验 | 第50-51页 |
| 4.6.4 迭代中隐含层节点数最大值的选取 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文总结 | 第54-55页 |
| 5.2 未来展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第60-61页 |