| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第8-19页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 国内外现状 | 第10-16页 |
| 1.2.1 极限学习机的国内外研究现状 | 第12-13页 |
| 1.2.2 智能优化算法应用于极限学习机的研究现状 | 第13-14页 |
| 1.2.3 电力通信网的安全性及可靠性的国内外研究现状 | 第14-16页 |
| 1.3 研究目的和意义 | 第16-17页 |
| 1.4 研究内容 | 第17-18页 |
| 1.5 论文组织结构 | 第18-19页 |
| 第二章 相关知识介绍 | 第19-36页 |
| 2.1 极限学习机理论 | 第19-27页 |
| 2.1.1 人工神经网络 | 第19-20页 |
| 2.1.2 单隐层神经网络 | 第20-23页 |
| 2.1.3 极限学习机简介 | 第23-27页 |
| 2.2 改进的极限学习机介绍 | 第27-32页 |
| 2.2.1 加权极限学习机原理 | 第27-29页 |
| 2.2.2 在线顺序极限学习机原理 | 第29-32页 |
| 2.3 粒子群优化算法 | 第32-35页 |
| 2.3.1 算法原理 | 第33-34页 |
| 2.3.2 算法流程 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于粒子群优化算法的加权极限学习机 | 第36-47页 |
| 3.1 基于粒子群优化算法的加权极限学习机算法 | 第36-40页 |
| 3.1.1 算法的基本原理 | 第36-37页 |
| 3.1.2 算法流程 | 第37-39页 |
| 3.1.3 性能评价函数 | 第39-40页 |
| 3.2 算法仿真 | 第40-46页 |
| 3.2.1 实验环境 | 第40-41页 |
| 3.2.2 分类问题实验 | 第41-45页 |
| 3.2.3 预测问题实验 | 第45-46页 |
| 3.3 本章小结 | 第46-47页 |
| 第四章 基于粒子群优化算法的在线顺序极限学习机 | 第47-56页 |
| 4.1 基于粒子群优化算法的在线顺序极限学习机 | 第47-50页 |
| 4.1.1 算法基本流程 | 第48-50页 |
| 4.1.2 性能评价 | 第50页 |
| 4.2 算法仿真 | 第50-55页 |
| 4.2.1 分类问题实验 | 第51-53页 |
| 4.2.2 预测问题实验 | 第53-55页 |
| 4.3 本章小结 | 第55-56页 |
| 第五章 极限学习机在电力通信网安全性评估中的应用 | 第56-66页 |
| 5.1 电力通信网安全性评价 | 第56-57页 |
| 5.2 电力通信网关键点的识别 | 第57-62页 |
| 5.2.1 节点重要性相关指标分析 | 第57-59页 |
| 5.2.2 基于粒子群优化的加权极限学习机对电网关键点的识别 | 第59-62页 |
| 5.2.3 结论 | 第62页 |
| 5.3 电力通信带宽预测 | 第62-65页 |
| 5.3.1 基于优化后的在线顺序极限学习机算法的电力通信带宽预测 | 第63-65页 |
| 5.3.2 结论 | 第65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 作者简介 | 第74-75页 |
| 致谢 | 第75页 |
