| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-13页 |
| 1 绪论 | 第13-18页 |
| ·研究背景 | 第13-14页 |
| ·研究现状 | 第14-15页 |
| ·实验环境及数据集 | 第15-16页 |
| ·创新点 | 第16页 |
| ·各章内容简介 | 第16-18页 |
| 2 理论基础 | 第18-24页 |
| ·极限学习机 | 第18-19页 |
| ·极限学习机的提出 | 第18页 |
| ·极限学习机理论 | 第18-19页 |
| ·极限学习机优缺点 | 第19页 |
| ·集成算法 | 第19-22页 |
| ·Bagging集成算法 | 第20页 |
| ·多数投票极限学习机算法 | 第20-21页 |
| ·随机森林算法 | 第21-22页 |
| ·代价敏感分类 | 第22-24页 |
| 3 极限学习机的相异性集成分类算法 | 第24-40页 |
| ·相异性测度 | 第24-25页 |
| ·输出不一致测度 | 第24页 |
| ·错误一致测度 | 第24-25页 |
| ·极限学习机的相异性集成算法 | 第25-26页 |
| ·基于输出不一致测度的极限学习机相异性集成算法（D-D-ELM） | 第25页 |
| ·基于错误一致测度的极限学习机相异性集成算法 | 第25-26页 |
| ·理论分析 | 第26-30页 |
| ·相异性集成理论分析 | 第26-29页 |
| ·极限学习机的剔除规则 | 第29-30页 |
| ·算法描述 | 第30-31页 |
| ·实验结果及分析 | 第31-39页 |
| ·实验设置 | 第31-33页 |
| ·实验结果及分析 | 第33-39页 |
| ·小结 | 第39-40页 |
| 4 嵌入误分类代价和拒识代价的极限学习机分类算法 | 第40-50页 |
| ·嵌入误分类代价的极限学习机分类算法 | 第40-42页 |
| ·贝叶斯决策论 | 第40-41页 |
| ·嵌入误分类代价的分类概率 | 第41-42页 |
| ·嵌入误分类代价和拒识代价的极限学习机分类算法 | 第42-43页 |
| ·算法描述 | 第43页 |
| ·实验结果及分析 | 第43-49页 |
| ·实验设置 | 第43页 |
| ·实验结果及分析 | 第43-49页 |
| ·小结 | 第49-50页 |
| 5 嵌入代价敏感的极限学习机相异性集成算法 | 第50-57页 |
| ·嵌入代价敏感的相异性集成极限学习机分类 | 第50-51页 |
| ·算法描述 | 第51页 |
| ·实验结果及分析 | 第51-56页 |
| ·实验设置 | 第51-52页 |
| ·实验结果与分析 | 第52-56页 |
| ·小结 | 第56-57页 |
| 6 结论 | 第57-59页 |
| ·研究总结 | 第57页 |
| ·需要进一步开展的工作 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 作者简历 | 第62页 |