| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第18-37页 |
| 1.1 研究背景与意义 | 第18-19页 |
| 1.2 国内外相关工作研究进展 | 第19-35页 |
| 1.2.1 多元时间序列预测研究现状 | 第19-20页 |
| 1.2.2 极端学习机研究现状 | 第20-26页 |
| 1.2.3 回声状态网络研究现状 | 第26-33页 |
| 1.2.4 现有研究工作的不足 | 第33-35页 |
| 1.3 本文主要研究思路 | 第35-37页 |
| 2 基于模型选择和改进训练算法的极端学习机预测方法 | 第37-63页 |
| 2.1 引言 | 第37-38页 |
| 2.2 基于模型选择算法的极端学习机 | 第38-44页 |
| 2.2.1 模型选择算法 | 第38-39页 |
| 2.2.2 基于模型选择算法的极端学习机 | 第39-41页 |
| 2.2.3 仿真实例 | 第41-44页 |
| 2.3 基于信赖域Newton训练算法的极端学习机 | 第44-49页 |
| 2.3.1 信赖域Newton算法 | 第44-45页 |
| 2.3.2 基于信赖域Newton训练算法的极端学习机 | 第45-46页 |
| 2.3.3 仿真实例 | 第46-49页 |
| 2.4 基于样本加权算法的核极端学习机 | 第49-55页 |
| 2.4.1 核极端学习机 | 第49-50页 |
| 2.4.2 基于样本加权算法的核极端学习机 | 第50-52页 |
| 2.4.3 仿真实例 | 第52-55页 |
| 2.5 多核极端学习机 | 第55-62页 |
| 2.5.1 多核极端学习机 | 第55-56页 |
| 2.5.2 多核极端学习机的求解 | 第56-58页 |
| 2.5.3 仿真实例 | 第58-62页 |
| 2.6 本章小结 | 第62-63页 |
| 3 基于改进训练算法和层级结构的回声状态网络预测方法 | 第63-89页 |
| 3.1 引言 | 第63-64页 |
| 3.2 鲁棒回声状态网络 | 第64-72页 |
| 3.2.1 含噪时间序列预测误差分析 | 第65-69页 |
| 3.2.2 鲁棒回声状态网络 | 第69-71页 |
| 3.2.3 仿真实例 | 第71-72页 |
| 3.3 加权支持向量回声状态机 | 第72-79页 |
| 3.3.1 加权支持向量回声状态机 | 第72-75页 |
| 3.3.2 加权系数的求解 | 第75-76页 |
| 3.3.3 仿真实例 | 第76-79页 |
| 3.4 层级结构回声状态网络 | 第79-87页 |
| 3.4.1 带有跳跃的环形储备池 | 第79-81页 |
| 3.4.2 层级结构回声状态网络 | 第81-83页 |
| 3.4.3 仿真实例 | 第83-87页 |
| 3.5 本章小结 | 第87-89页 |
| 4 基于改进在线训练算法的随机映射神经网络预测方法 | 第89-118页 |
| 4.1 引言 | 第89-91页 |
| 4.2 基于在线LM训练算法的极端学习机 | 第91-102页 |
| 4.2.1 在线LM训练算法 | 第91-94页 |
| 4.2.2 基于在线LM训练算法的极端学习机 | 第94-95页 |
| 4.2.3 仿真实例 | 第95-102页 |
| 4.3 基于在线序列训练算法的核极端学习机 | 第102-112页 |
| 4.3.1 在线序列训练算法 | 第102-107页 |
| 4.3.2 基于在线序列训练算法的核极端学习机 | 第107-108页 |
| 4.3.3 仿真实例 | 第108-112页 |
| 4.4 基于在线稀疏训练算法的回声状态网络 | 第112-117页 |
| 4.4.1 基于在线稀疏训练算法的回声状态网络 | 第112-114页 |
| 4.4.2 基于在线稀疏训练算法的回声状态网络的理论分析 | 第114-115页 |
| 4.4.3 仿真实例 | 第115-117页 |
| 4.5 本章小结 | 第117-118页 |
| 5 结论与展望 | 第118-124页 |
| 5.1 结论 | 第118-122页 |
| 5.2 创新点 | 第122-123页 |
| 5.3 展望 | 第123-124页 |
| 参考文献 | 第124-133页 |
| 攻读博士学位期间科研项目及科研成果 | 第133-135页 |
| 致谢 | 第135-137页 |
| 作者简介 | 第137页 |
