| 摘要 | 第4-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 课题来源 | 第14页 |
| 1.2 人工神经网络技术发展与现状 | 第14-15页 |
| 1.3 前馈神经网络学习算法 | 第15-17页 |
| 1.3.1 前馈神经网络概念 | 第15-16页 |
| 1.3.2 单隐含层前馈神经网络的学习算法 | 第16-17页 |
| 1.4 课题研究内容与创新 | 第17-18页 |
| 第二章 极限学习机 | 第18-22页 |
| 2.1 引言 | 第18页 |
| 2.2 极限学习机 | 第18-19页 |
| 2.2.1 极限学习机的基本概念 | 第18页 |
| 2.2.2 极限学习机国内外研究现状 | 第18-19页 |
| 2.3 极限学习机算法 | 第19-20页 |
| 2.4 极限学习机算法流程图 | 第20-21页 |
| 2.5 极限学习机优缺点 | 第21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 基于主元分析的极限学习机学习算法 | 第22-36页 |
| 3.1 引言 | 第22页 |
| 3.2 主元分析方法简介 | 第22-23页 |
| 3.3 基于PCA的ELM学习算法 | 第23-26页 |
| 3.3.1 ELM算法研究 | 第23-24页 |
| 3.3.2 基于PCA的ELM学习算法 | 第24-25页 |
| 3.3.3 PCA-ELM模型的建模步骤 | 第25-26页 |
| 3.4 实验验证 | 第26-34页 |
| 3.4.1 用于回归的数据验证 | 第26-32页 |
| 3.4.2 用于分类的数据集验证 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 基于非线性主元提取的增强型极限学习机模型 | 第36-56页 |
| 4.1 引言 | 第36-37页 |
| 4.2 输入训练神经网络 | 第37-39页 |
| 4.2.1 非线性主元分析方法简介 | 第37页 |
| 4.2.2 输入训练神经网络 | 第37-39页 |
| 4.3 基于非线性主元提取的增强型极限学习机模型的提出与建立 | 第39-42页 |
| 4.4 实验验证 | 第42-54页 |
| 4.4.1 Housing数据集 | 第43-46页 |
| 4.4.2 TE过程数据集 | 第46-51页 |
| 4.4.3 HDPE过程数据集 | 第51-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 工作总结 | 第56-57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 研究成果及发表的学术论文 | 第64-66页 |
| 作者和导师简介 | 第66-68页 |
| 附件 | 第68-69页 |