| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 选题背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 脑血管疾病发病人数预测研究现状 | 第11-12页 |
| 1.2.2 极限学习机的研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文整体结构 | 第15-16页 |
| 2 相关技术 | 第16-29页 |
| 2.1 核学习方法 | 第16-17页 |
| 2.1.1 核学习方法 | 第16页 |
| 2.1.2 常见核函数 | 第16-17页 |
| 2.2 极限学习机 | 第17-21页 |
| 2.2.1 人工神经网络 | 第17-18页 |
| 2.2.2 单隐含层前馈神经网络 | 第18-19页 |
| 2.2.3 极限学习机 | 第19-21页 |
| 2.2.4 极限学习机优缺点 | 第21页 |
| 2.3 核极限学习机 | 第21-25页 |
| 2.3.1 核极限学习机原理 | 第21-24页 |
| 2.3.2 核极限学习机不足 | 第24-25页 |
| 2.4 PSO算法 | 第25-27页 |
| 2.4.1 PSO算法原理 | 第25-26页 |
| 2.4.2 PSO算法不足 | 第26-27页 |
| 2.5 PSO-ELM算法 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 粒子群算法优化组合核极限学习机算法设计 | 第29-39页 |
| 3.1 组合核极限学习机 | 第29-31页 |
| 3.1.1 小波核函数 | 第29-30页 |
| 3.1.2 组合函数的构建 | 第30-31页 |
| 3.1.3 组合核极限学习机性能分析 | 第31页 |
| 3.2 粒子群算法优化 | 第31-37页 |
| 3.2.1 反向学习初始化方法 | 第31-32页 |
| 3.2.2 高斯变异搜索 | 第32页 |
| 3.2.3 MPSO算法原理 | 第32-33页 |
| 3.2.4 MPSO性能分析 | 第33-37页 |
| 3.3 MPSO优化组合核极限学习机原理 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于优化的极限学习机的脑血管发病人数预测模型的建立 | 第39-43页 |
| 4.1 预测模型的建立 | 第39-41页 |
| 4.2 模型检验方法 | 第41-42页 |
| 4.3 本章小结 | 第42-43页 |
| 5 实验与结果分析 | 第43-59页 |
| 5.1 实验环境 | 第43页 |
| 5.2 实验数据 | 第43-46页 |
| 5.2.1 数据来源 | 第43-44页 |
| 5.2.2 数据预处理 | 第44-46页 |
| 5.3 脑血管发病人数与气象因子相关关系分析 | 第46-50页 |
| 5.3.1 脑血管发病人数与气象因子的相关性 | 第46-48页 |
| 5.3.2 气压对脑血管发病人数的影响 | 第48页 |
| 5.3.3 气温对脑血管发病人数的影响 | 第48-49页 |
| 5.3.4 湿度对脑血管发病人数的影响 | 第49页 |
| 5.3.5 风速对脑血管发病人数的影响 | 第49-50页 |
| 5.4 脑血管发病人数预测模型验证 | 第50-56页 |
| 5.5 脑血管发病人数预测 | 第56-57页 |
| 5.6 本章小结 | 第57-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.1.1 总结 | 第59页 |
| 6.1.2 创新点 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |