基于降维的极限学习机算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 极限学习机 | 第8-10页 |
| 1.3 基于流形学习的降维算法 | 第10页 |
| 1.4 本文主要研究内容 | 第10-11页 |
| 1.5 本文结构安排 | 第11-12页 |
| 2 极限学习机(ELM) | 第12-16页 |
| 2.1 极限学习机理论模型 | 第12页 |
| 2.2 极限学习机算法流程 | 第12-15页 |
| 2.3 极限学习机优缺点 | 第15-16页 |
| 3 基于流形学习的ELM算法框架 | 第16-28页 |
| 3.1 流形学习简介 | 第16-17页 |
| 3.2 经典流形学习降维算法 | 第17-21页 |
| 3.2.1 局部线性嵌入(LLE) | 第17-19页 |
| 3.2.2 拉普拉斯特征映射(LE) | 第19-20页 |
| 3.2.3 局部保持投影(LPP) | 第20-21页 |
| 3.3 基于流形学习的极限学习机算法 | 第21-22页 |
| 3.4 实验对比与分析 | 第22-27页 |
| 3.5 本章小结 | 第27-28页 |
| 4 基于判别信息的正则化极限学习机 | 第28-43页 |
| 4.1 引言 | 第28页 |
| 4.2 IELM算法优化问题 | 第28-30页 |
| 4.3 实验对比与分析 | 第30-42页 |
| 4.3.1 IELM与ELMs比较 | 第31-37页 |
| 4.3.2 计算复杂性分析 | 第37-40页 |
| 4.3.3 IELM与标准分类算法进行比较 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 结论 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 攻读硕士学位期间发表学术论文情况 | 第48-49页 |
| 致谢 | 第49页 |
