| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 本课题研究背景 | 第11-12页 |
| 1.2 国内外研究现状分析 | 第12-13页 |
| 1.3 本文的主要工作及创新点 | 第13-14页 |
| 1.4 本文各章安排 | 第14-15页 |
| 第二章 ELM及深度ELM模型 | 第15-23页 |
| 2.1 极限学习机(ELM) | 第15-17页 |
| 2.2 层叠式ELM(Hierarchical ELM) | 第17-19页 |
| 2.2.1 基于ELM的稀疏自编码器 | 第17-18页 |
| 2.2.2 H-ELM的算法流程 | 第18-19页 |
| 2.3 基于堆栈式的深度ELM | 第19-23页 |
| 2.3.1 Dr-ELM的具体描述 | 第20-21页 |
| 2.3.2 Dr-ELM的优点 | 第21-23页 |
| 第三章 深度学习和集成学习 | 第23-29页 |
| 3.1 深度学习 | 第23-25页 |
| 3.1.1 深度学习的兴起 | 第23-24页 |
| 3.1.2 深度学习的典型模型 | 第24-25页 |
| 3.2 集成学习 | 第25-29页 |
| 3.2.1 集成学习简介 | 第25-26页 |
| 3.2.2 集成系统的生成 | 第26-27页 |
| 3.2.3 集成系统的组合 | 第27-29页 |
| 第四章 双深度ELM集成系统 | 第29-53页 |
| 4.1 引言 | 第29-30页 |
| 4.2 在时间序列预测问题上使用集成剪枝的理论分析 | 第30-31页 |
| 4.3 基于深度ELM的异构集成系统 | 第31-43页 |
| 4.3.1 受限层叠式ELM(CH-ELM) | 第32-34页 |
| 4.3.2 DD-ELMs-ES | 第34-43页 |
| 4.4 实验设置与结果分析 | 第43-52页 |
| 4.4.1 数据集和实验设置 | 第43-45页 |
| 4.4.2 实验结果和讨论 | 第45-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 基于弱结果的层叠式深度模型 | 第53-73页 |
| 5.1 引言 | 第53-54页 |
| 5.2 OS-ELM模型 | 第54-57页 |
| 5.2.1 OS-ELM的特点 | 第54-55页 |
| 5.2.2 OS-ELM算法 | 第55-57页 |
| 5.3 自编码器 | 第57-59页 |
| 5.4 基于弱结果的层叠式深度模型 | 第59-63页 |
| 5.4.1 模型概述 | 第59-60页 |
| 5.4.2 关于CDA-WR模型原理的具体阐述 | 第60-63页 |
| 5.5 实验结果与分析 | 第63-70页 |
| 5.5.1 数据集与实验设置 | 第63-64页 |
| 5.5.2 实验结果与分析 | 第64-70页 |
| 5.6 本章小结 | 第70-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 全文工作总结 | 第73页 |
| 6.2 未来工作展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-82页 |
| 硕士研究生期间完成的学术论文 | 第82页 |