一种基于极限学习机的分类器及其应用研究
摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第10-16页 |
1.1 研究背景与意义 | 第10-13页 |
1.1.1 人工智能简述 | 第10-11页 |
1.1.2 极限学习机简介及其研究意义 | 第11-13页 |
1.2 本文主要内容及技术路线 | 第13-14页 |
1.2.1 研究内容 | 第13页 |
1.2.2 技术路线 | 第13-14页 |
1.3 章节安排 | 第14-16页 |
第2章 相关研究综述 | 第16-27页 |
2.1 人工智能发展情况简述 | 第16-19页 |
2.1.1 人工智能发展历程 | 第16-17页 |
2.1.2 几种经典人工智能分类方法简介 | 第17-19页 |
2.2 支持向量机算法介绍 | 第19-24页 |
2.3 极限学习机算法介绍 | 第24-27页 |
第3章 基于极限学习机分类器的参数研究 | 第27-54页 |
3.1 实验环境说明 | 第27-29页 |
3.1.1 数据集产生 | 第27页 |
3.1.2 测试误差及训练误差表述指标 | 第27-28页 |
3.1.3 SVM及ELM结构设置 | 第28-29页 |
3.2 实验结果及分析 | 第29-53页 |
3.2.1 训练集样本数的影响 | 第29-36页 |
3.2.2 隐层节点的影响 | 第36-40页 |
3.2.3 输入层权值的影响 | 第40-45页 |
3.2.4 隐层节点偏置量的影响 | 第45-51页 |
3.2.5 样本归一化的影响 | 第51-53页 |
3.3 本章小结 | 第53-54页 |
第4章 极限学习机在摔倒测试中的应用研究 | 第54-60页 |
4.1 应用背景 | 第54-55页 |
4.2 数据获取与整理 | 第55-56页 |
4.3 参数设计及分析 | 第56-59页 |
4.3.1 输入节点数的选取 | 第56-57页 |
4.3.2 ELM参数设计 | 第57-58页 |
4.3.3 样本归一化处理 | 第58-59页 |
4.4 本章小结 | 第59-60页 |
第5章 结束语 | 第60-61页 |
参考文献 | 第61-63页 |
致谢 | 第63页 |