| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 极限学习机的研究背景及意义 | 第11-12页 |
| 1.2 极限学习机的国内外研究现状 | 第12-13页 |
| 1.3 核极限学习机的国内外研究现状 | 第13-17页 |
| 1.3.1 内积核函数与平移不变核函数 | 第14-15页 |
| 1.3.2 基于正交多项式的核函数 | 第15-17页 |
| 1.4 本文研究内容及主要工作 | 第17-19页 |
| 第2章 极限学习机理论 | 第19-33页 |
| 2.1 广义单隐含层前馈神经网络（SLFNs）模型 | 第20-25页 |
| 2.1.1 SLFNs的逼近问题 | 第22页 |
| 2.1.2 基于梯度的学习算法 | 第22-23页 |
| 2.1.3 SLFNs的最小范数最小二乘解——极限学习机算法 | 第23-25页 |
| 2.2 核极限学习机（Kernel Extreme Learning Machine, KELM） | 第25-26页 |
| 2.3 核极限学习机统一支持向量机和最小二乘支持向量机 | 第26-30页 |
| 2.3.1 支持向量机 | 第26-28页 |
| 2.3.2 最小二乘支持向量机 | 第28-29页 |
| 2.3.3 核极限学习机和SVM、LS-SVM的关系 | 第29-30页 |
| 2.4 核函数的性质 | 第30-33页 |
| 2.4.1 平移不变核的性质 | 第31页 |
| 2.4.2 旋转不变核的性质 | 第31-32页 |
| 2.4.3 卷积核的性质 | 第32页 |
| 2.4.4 核函数的其他性质 | 第32-33页 |
| 第3章 三角埃尔米特核极限学习机 | 第33-51页 |
| 3.1 引言 | 第33-34页 |
| 3.2 三角埃尔米特核极限学习机 | 第34-40页 |
| 3.2.1 三角核函数的构建 | 第34-37页 |
| 3.2.2 广义埃尔米特Dirichlet核函数的构建 | 第37-38页 |
| 3.2.3 三角埃尔米特核极限学习机 | 第38-40页 |
| 3.3 建立实验结果与分析 | 第40-46页 |
| 3.3.1 在双螺旋线数据集上的分类 | 第41-42页 |
| 3.3.2 在Banana数据集上的分类对比 | 第42-44页 |
| 3.3.3 在标准UCI数据集上的分类对比 | 第44-46页 |
| 3.3.4 在标准UCI数据集上的回归对比 | 第46页 |
| 3.4 本章小结 | 第46-51页 |
| 第4章 基于深度数据和极限学习机的人体动作识别 | 第51-65页 |
| 4.1 引言 | 第51-53页 |
| 4.2 动作特征提取 | 第53-56页 |
| 4.2.1 深度图的Gist特征提取 | 第54页 |
| 4.2.2 RGB图的Gist特征提取 | 第54-55页 |
| 4.2.3 混合特征描述符 | 第55-56页 |
| 4.3 基于三角埃尔米特核极限学习机的动作分类 | 第56-58页 |
| 4.4 实验结果分析 | 第58-64页 |
| 4.4.1 数据集介绍 | 第58-59页 |
| 4.4.2 MSR Action 3D数据集实验结果与分析 | 第59-61页 |
| 4.4.3 DHA数据集实验结果与分析 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间发表（含录用）的学术论文和取得的科研成果 | 第71页 |
