| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-16页 |
| ·研究背景与意义 | 第9-10页 |
| ·样例选择的国内外研究现状 | 第10-14页 |
| ·能力保持型样例选择算法 | 第10-12页 |
| ·能力增强型样例选择算法 | 第12-13页 |
| ·混合型样例选择算法 | 第13-14页 |
| ·本文主要研究内容 | 第14页 |
| ·本文组织结构 | 第14-16页 |
| 第2章 基础知识 | 第16-22页 |
| ·Extreme Learning Machine(ELM) | 第16-18页 |
| ·概率神经网络 | 第18-20页 |
| ·投票熵 | 第20-21页 |
| ·信息熵 | 第20页 |
| ·投票熵 | 第20-21页 |
| ·K‐L 散度 | 第21-22页 |
| 第3章 交叉样例选择 | 第22-30页 |
| ·基于投票熵和 ELM 分类器的样例选择 | 第22-24页 |
| ·交叉样例选择 | 第24-26页 |
| ·使用 K‐L 散度准则的交叉样例选择 | 第26-27页 |
| ·改进的交叉样例选择 | 第27-29页 |
| ·算法总结 | 第29-30页 |
| 第4章 实验与分析 | 第30-49页 |
| ·实验数据集 | 第30-31页 |
| ·基于 ELM 分类器的算法比较 | 第31-38页 |
| ·与其他经典样例选择算法的比较 | 第38-46页 |
| ·选择样例的几何分布 | 第46-49页 |
| 第5章 结论与展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 攻读学位期间取得的科研成果 | 第54页 |