| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-35页 |
| ·论文的研究背景 | 第17-22页 |
| ·人工智能概述 | 第17-21页 |
| ·机器学习概述 | 第21-22页 |
| ·极限学习机概述 | 第22-32页 |
| ·极限学习机的发展历史 | 第23-25页 |
| ·极限学习机的研究现状 | 第25-32页 |
| ·本文主要工作 | 第32-35页 |
| 第二章 基于联合稀疏正则的半监督剪枝极限学习机 | 第35-61页 |
| ·引言 | 第35-37页 |
| ·三类极限学习机算法 | 第37-40页 |
| ·基于联合稀疏正则的半监督剪枝极限学习机算法 | 第40-48页 |
| ·S3ELM算法模型建立 | 第40-43页 |
| ·S3ELM算法描述 | 第43-45页 |
| ·S3ELM算法计算成本分析和收敛性证明 | 第45-48页 |
| ·数值实验及结果分析 | 第48-59页 |
| ·S3ELM与监督算法、半监督算法实验结果 | 第48-56页 |
| ·S3ELM在人脸数据集上的应用 | 第56-59页 |
| ·本章小结 | 第59-61页 |
| 第三章 基于K近邻和Fisher判别的线性维数约简 | 第61-89页 |
| ·引言 | 第61-62页 |
| ·相关工作 | 第62-63页 |
| ·K-Fisher线性降维算法 | 第63-73页 |
| ·投影子空间的分片线性可分性分析 | 第63-68页 |
| ·求解投影子空间的数学规划 | 第68-70页 |
| ·K-Fisher线性降维算法描述 | 第70-73页 |
| ·数值实验及结果分析 | 第73-86页 |
| ·KFM与压缩感知 | 第86-87页 |
| ·本章小结 | 第87-89页 |
| 第四章 基于局部线性可分性的极限学习机 | 第89-115页 |
| ·引言 | 第89-90页 |
| ·相关工作 | 第90-97页 |
| ·基于局部线性可分性的单隐层神经网络 | 第90-92页 |
| ·基于K-Fisher的神经网络分类算法 | 第92-97页 |
| ·基于局部线性可分性的极限学习机 | 第97-99页 |
| ·数值实验及结果分析 | 第99-112页 |
| ·本章小结 | 第112-115页 |
| 第五章 基于极限学习机的局部标签近似聚类 | 第115-123页 |
| ·引言 | 第115-116页 |
| ·基于极限学习机的局部标签近似聚类 | 第116-119页 |
| ·局部学习聚类与ELM算法 | 第117-119页 |
| ·基于极限学习机的局部标签近似聚类算法 | 第119页 |
| ·数值实验及结果分析 | 第119-122页 |
| ·本章小结 | 第122-123页 |
| 第六章 基于空间近邻和半监督的极限学习机高光谱图像分类 | 第123-131页 |
| ·引言 | 第123页 |
| ·求解数学模型 | 第123-126页 |
| ·基于空间近邻和半监督的极限学习机算法 | 第126-127页 |
| ·数值实验及结果分析 | 第127-129页 |
| ·本章小结 | 第129-131页 |
| 第七章 结论和展望 | 第131-133页 |
| ·本文结论 | 第131页 |
| ·未来展望 | 第131-133页 |
| 参考文献 | 第133-147页 |
| 致谢 | 第147-149页 |
| 作者简介 | 第149-151页 |