| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第9-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文的主要工作及内容安排 | 第15-18页 |
| 第二章 X射线脉冲星信号建模及其辨识方法 | 第18-28页 |
| 2.1 X射线脉冲星信号建模 | 第18-22页 |
| 2.1.1 X射线脉冲星累积轮廓的历元折叠法 | 第18-19页 |
| 2.1.2 基于非齐次泊松过程的脉冲星信号建模 | 第19-22页 |
| 2.2 传统脉冲星信号辨识机理 | 第22-25页 |
| 2.2.1 传统信号辨识机理 | 第22页 |
| 2.2.2 基于双谱的脉冲星信号辨识算法 | 第22-25页 |
| 2.3 一种新的脉冲星信号辨识算法 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 极限学习机理论基础 | 第28-36页 |
| 3.1 单隐层前馈神经网络理论 | 第28-30页 |
| 3.2 单隐藏层前馈神经网络传统学习算法 | 第30-31页 |
| 3.3 极限学习机算法 | 第31-34页 |
| 3.3.1 Moore-Penrose广义逆 | 第31-32页 |
| 3.3.2 最小范数二乘解 | 第32页 |
| 3.3.3 SLFNs的ELM实现 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于极限学习机的脉冲星信号辨识 | 第36-48页 |
| 4.1 用于分类的极限学习机变形算法 | 第36-39页 |
| 4.1.1 增量极限学习机 | 第36-37页 |
| 4.1.2 加权极限学习机 | 第37-38页 |
| 4.1.3 贝叶斯极限学习机 | 第38-39页 |
| 4.2 核极限学习机 | 第39-46页 |
| 4.2.1 核机器学习方法 | 第39-41页 |
| 4.2.2 核极限学习机原理 | 第41页 |
| 4.2.3 核极限学习机求解方法 | 第41-45页 |
| 4.2.4 核极限学习机与最小二乘支持向量机 | 第45-46页 |
| 4.3 基于核极限学习机的脉冲星信号辨识算法 | 第46页 |
| 4.4 本章小节 | 第46-48页 |
| 第五章 实验仿真与结果分析 | 第48-60页 |
| 5.1 实验目的 | 第48页 |
| 5.2 实验步骤 | 第48-50页 |
| 5.2.1 基于泊松过程的脉冲星光子流信号建模方法 | 第48-49页 |
| 5.2.2 基于极限学习机的脉冲星信号辨识流程图 | 第49-50页 |
| 5.3 仿真结果与分析 | 第50-58页 |
| 5.3.1 不同环境下基于极限学习机的辨识结果 | 第50-55页 |
| 5.3.2 与基于一维选择线谱辨识结果比较 | 第55页 |
| 5.3.3 与极限学习机变形算法辨识结果比较 | 第55-56页 |
| 5.3.4 与LS-SVM辨识结果比较 | 第56-58页 |
| 5.4 本章小结 | 第58-60页 |
| 第六章 结束语 | 第60-62页 |
| 6.1 论文工作总结 | 第60-61页 |
| 6.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68页 |