| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 主要研究内容 | 第12-13页 |
| 1.3 主要创新点 | 第13-14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 第二章 极限学习机下的计算效率泛函连接人工神经网络 | 第15-41页 |
| 2.1 算法背景 | 第15-23页 |
| 2.1.1 神经网络理论 | 第15-16页 |
| 2.1.2 单隐藏层前馈神经网络 | 第16-19页 |
| 2.1.3 泛函连接人工神经网络 | 第19-20页 |
| 2.1.4 极限学习机理论 | 第20-23页 |
| 2.2 基于极限学习机的计算效率泛函连接人工神经网络模型 | 第23-26页 |
| 2.2.1 模型原理 | 第23-24页 |
| 2.2.2 模型流程 | 第24-26页 |
| 2.3 仿真实验 | 第26-33页 |
| 2.3.1 实验设计 | 第26-32页 |
| 2.3.2 性能评价 | 第32-33页 |
| 2.4 实验结果 | 第33-39页 |
| 2.4.1 数据描述 | 第33-34页 |
| 2.4.2 功能扩展模块节点数设置 | 第34-35页 |
| 2.4.3 性能评价函数 | 第35-39页 |
| 2.4.4 股票交易系统 | 第39页 |
| 2.5 本章小结 | 第39-41页 |
| 第三章 利用粒子群算法的在线顺序极限学习机优化 | 第41-53页 |
| 3.1 算法背景 | 第41-45页 |
| 3.1.1 在线顺序极限学习机原理 | 第41-43页 |
| 3.1.2 粒子群优化算法 | 第43-45页 |
| 3.2 基于粒子群优化算法的在线顺序极限学习机 | 第45-47页 |
| 3.2.1 算法基本流程 | 第46-47页 |
| 3.2.2 性能评价 | 第47页 |
| 3.3 算法仿真 | 第47-51页 |
| 3.3.1 实验准备 | 第48页 |
| 3.3.2 实验结果 | 第48-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第四章 利用随机蛙跳算法的极限学习机优化 | 第53-65页 |
| 4.1 算法背景 | 第53-57页 |
| 4.1.1 基本的SFLA算法思想 | 第53-54页 |
| 4.1.2 算法的组成要素及其模型 | 第54-56页 |
| 4.1.3 SFLA算法的参数设置和终止条件 | 第56-57页 |
| 4.2 利用随机蛙跳算法的极限学习机优化 | 第57-59页 |
| 4.2.1 算法思想 | 第57-58页 |
| 4.2.2 算法流程 | 第58-59页 |
| 4.3 算法仿真 | 第59-63页 |
| 4.3.1 实验准备 | 第60页 |
| 4.3.2 实验结果 | 第60-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文研究工作总结 | 第65-66页 |
| 5.2 未来研究工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |