极限学习机算法及应用研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 主要符号表 | 第11-12页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 课题研究的背景 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-26页 |
| 1.2.1 极限学习机参数优化研究现状 | 第14-19页 |
| 1.2.2 在线极限学习机研究现状 | 第19-26页 |
| 1.3 课题研究的目的和意义 | 第26-27页 |
| 1.4 本文的主要工作 | 第27-28页 |
| 第2章 极限学习机理论 | 第28-35页 |
| 2.1 引言 | 第28页 |
| 2.2 单隐含层前馈神经网络 | 第28-31页 |
| 2.3 极限学习机原理 | 第31-33页 |
| 2.4 在线极限学习机原理 | 第33-35页 |
| 第3章 基于改进差分进化算法的极限学习机参数选择 | 第35-43页 |
| 3.1 极限学习机与差分进化 | 第35-39页 |
| 3.1.1 极限学习机 | 第35-36页 |
| 3.1.2 改进差分进化原理 | 第36-39页 |
| 3.2 改进差分进化的ELM参数优化选择 | 第39-41页 |
| 3.2.1 ELM网络结构 | 第39-40页 |
| 3.2.2 适应度函数 | 第40-41页 |
| 3.2.3 基于MDE算法ELM参数寻优过程 | 第41页 |
| 3.3 本章小结 | 第41-43页 |
| 第4章 基于混合核函数的在线极限学习机新方法 | 第43-53页 |
| 4.1 基于核函数的在线极限学习机和混合核函数 | 第44-49页 |
| 4.1.1 在线序列核极限学习机 | 第44-46页 |
| 4.1.2 混合核函数 | 第46-49页 |
| 4.2 基于混合核函数的在线序列ELM | 第49-50页 |
| 4.2.1 MKOS_ELM算法学习步骤 | 第49页 |
| 4.2.2 MKOS_ELM算法性能分析 | 第49-50页 |
| 4.3 隶属度设计 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 算法仿真与应用实验分析 | 第53-67页 |
| 5.1 基于改进差分进化算法的应用实验 | 第53-60页 |
| 5.1.1 回归拟合应用分析 | 第53-56页 |
| 5.1.2 疾病预测与数据分类应用实验 | 第56-60页 |
| 5.2 MDE_ELM算法应用于图像分类 | 第60-61页 |
| 5.3 基于混合核函数的在线极限学习机应用实验 | 第61-66页 |
| 5.3.1 隶属度参数的影响 | 第62-63页 |
| 5.3.2 分类准确率分析 | 第63-66页 |
| 5.4 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第74页 |
