| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 集成学习国内外研究现状 | 第12-14页 |
| 1.2.1 AdaBoost算法国内外研究现状 | 第12-14页 |
| 1.2.2 AdaBoostELM国内外研究现状 | 第14页 |
| 1.3 粒子群优化算法国内外研究现状 | 第14-17页 |
| 1.4 本文研究思路和研究内容 | 第17-18页 |
| 1.5 本文工作及章节安排 | 第18-20页 |
| 第二章 相关技术 | 第20-30页 |
| 2.1 粒子群优化算法 | 第20-23页 |
| 2.1.1 基本粒子群算法 | 第20-21页 |
| 2.1.2 吸引排斥粒子群算法 | 第21-22页 |
| 2.1.3 标准粒子群算法 | 第22-23页 |
| 2.2 极限学习机 | 第23-26页 |
| 2.2.1 基本ELM | 第23-25页 |
| 2.2.2 加权ELM | 第25-26页 |
| 2.3 AdaBoost算法 | 第26-29页 |
| 2.3.1 原始AdaBoost算法 | 第26-28页 |
| 2.3.2 多类别分类AdaBoost算法 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于种群多样性引导的标准粒子群优化算法 | 第30-43页 |
| 3.1 引言 | 第30-31页 |
| 3.2 基于种群多样性引导的标准粒子群算法 | 第31-33页 |
| 3.2.1 平均点方法 | 第31-32页 |
| 3.2.2 多样性增强策略 | 第32页 |
| 3.2.3 算法思想和步骤 | 第32-33页 |
| 3.3 实验结果与讨论 | 第33-41页 |
| 3.3.1 基准测试函数 | 第33-34页 |
| 3.3.2 参数设置 | 第34页 |
| 3.3.3 实验结果与讨论 | 第34-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于基分类器多样性的AdaBoost极限学习机 | 第43-55页 |
| 4.1 引言 | 第43-44页 |
| 4.2 基于多类别分类AdaBoost的集成ELM算法 | 第44-46页 |
| 4.2.1 加权极限学习机 | 第44页 |
| 4.2.2 基于多类别分类AdaBoost的集成ELM算法 | 第44-46页 |
| 4.3 基于基分类器多样性的AdaBoost极限学习机 | 第46-49页 |
| 4.4 实验结果与讨论 | 第49-54页 |
| 4.4.1 数据集和参数设定 | 第49-50页 |
| 4.4.2 实验结果与讨论 | 第50-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于DGAP-MSPSO和基分类器多样性的AdaBoost极限学习机 | 第55-63页 |
| 5.1 引言 | 第55页 |
| 5.2 算法思想和步骤 | 第55-57页 |
| 5.3 实验结果与讨论 | 第57-62页 |
| 5.3.1 数据集和参数设定 | 第57页 |
| 5.3.2 实验结果与讨论 | 第57-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间发表的学术论文与参与的科研项目 | 第69页 |
