| 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 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 理论研究 | 第11-12页 |
| 1.2.2 应用研究 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 研究的目的及意义 | 第13-14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 第2章 相关工作 | 第16-26页 |
| 2.1 极限学习机理论 | 第16-18页 |
| 2.2 结构调整型极限学习机 | 第18-24页 |
| 2.2.1 节点增长的极限学习机及其改进 | 第18-21页 |
| 2.2.2 误差最小极限学习机 | 第21-23页 |
| 2.2.3 最佳修剪极限学习 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 基于凸最佳增长的极限学习机及其改进 | 第26-42页 |
| 3.1 基于凸最优增长的极限学习机 | 第26-30页 |
| 3.1.1 CI-ELM算法基本原理 | 第26-28页 |
| 3.1.2 CI-ELM算法基本原理过程和分析 | 第28-29页 |
| 3.1.3 CI-ELM算法与EI-ELM及EM-ELM等比较 | 第29-30页 |
| 3.2 可修剪的凸最佳增长极限学习机 | 第30-39页 |
| 3.2.1 可修剪的凸最佳增长极限学习机 | 第31-34页 |
| 3.2.2 增强的可修剪凸最佳增长极限学习机 | 第34-39页 |
| 3.3 本章小结 | 第39-42页 |
| 第4章 基于凸最佳增长的动态极限学习机 | 第42-54页 |
| 4.1 基于凸最佳增长的动态极限学习机思路 | 第42-46页 |
| 4.2 基于凸最佳增长的动态极限学习机算法过程 | 第46-48页 |
| 4.3 DCI-ELM算法分析 | 第48-52页 |
| 4.3.1 DCI-ELM与其他结构可调整极限学习机比较 | 第48-50页 |
| 4.3.2 DCI-ELM泛化能力分析 | 第50-52页 |
| 4.3.3 DCI-ELM算法优缺点 | 第52页 |
| 4.4 本章总结 | 第52-54页 |
| 第5章 实验与性能分析 | 第54-68页 |
| 5.1 实验环境配置 | 第54页 |
| 5.2 测试指标说明 | 第54-56页 |
| 5.3 实验说明 | 第56-58页 |
| 5.3.1 数据集 | 第56-57页 |
| 5.3.2 隐层神经元激励函数选择 | 第57-58页 |
| 5.4 实验结果及分析 | 第58-67页 |
| 5.4.1 实验运行结果 | 第58-63页 |
| 5.4.2 运行结果分析 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 内容总结 | 第68页 |
| 6.2 未来展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读硕士期间发表的论文和参加的项目 | 第76页 |