| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-17页 |
| 1.1 本文的研究背景与意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状及分析 | 第13-15页 |
| 1.3 本文的主要工作 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 2 ELM原理及其改进方案 | 第17-35页 |
| 2.1 神经元模型的启发 | 第17-19页 |
| 2.2 ELM原理及其优缺点 | 第19-27页 |
| 2.2.1 单隐含层前向神经网络模型 | 第19-21页 |
| 2.2.2 ELM算法 | 第21-24页 |
| 2.2.3 ELM参数选取 | 第24-25页 |
| 2.2.4 ELM算法流程 | 第25页 |
| 2.2.5 ELM算法的优缺点及其与其他算法的对比 | 第25-27页 |
| 2.3 ELM算法的改进方案 | 第27-34页 |
| 2.3.1 I-ELM算法 | 第28-30页 |
| 2.3.2 P-ELM算法 | 第30-33页 |
| 2.3.3 其他ELM算法改进方案 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 核函数的选取及其组合方案 | 第35-51页 |
| 3.1 K-ELM算法 | 第35-37页 |
| 3.1.1 K-ELM算法原理 | 第35-36页 |
| 3.1.2 K-ELM算法流程 | 第36页 |
| 3.1.3 K-ELM算法分析 | 第36-37页 |
| 3.2 核函数的选取方式 | 第37-43页 |
| 3.2.1 核函数的满足条件 | 第37-38页 |
| 3.2.2 平移不变核函数 | 第38页 |
| 3.2.3 旋转不变核函数 | 第38页 |
| 3.2.4 常见核函数及其证明 | 第38-41页 |
| 3.2.5 小波核函数及其证明 | 第41-43页 |
| 3.3 核函数的组合方案 | 第43-50页 |
| 3.3.1 线性不加权组合方案 | 第44页 |
| 3.3.2 基于结果的线性加权组合方案 | 第44-46页 |
| 3.3.3 基于模型的线性加权组合方案 | 第46页 |
| 3.3.4 非线性组合方案 | 第46-47页 |
| 3.3.5 其他组合方案 | 第47-49页 |
| 3.3.6 不同组合方案的对比 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 4 脉象识别基础 | 第51-57页 |
| 4.1 脉象识别的背景及意义 | 第51页 |
| 4.2 脉象数据来源 | 第51-52页 |
| 4.3 脉象信号处理及特征提取 | 第52-56页 |
| 4.3.1 脉象信号的预处理 | 第52-54页 |
| 4.3.2 脉象信号的特征提取 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 MK-ELM性能分析及脉象识别 | 第57-71页 |
| 5.1 实验预先准备 | 第57-58页 |
| 5.1.1 实验运行环境 | 第57页 |
| 5.1.2 实验数据来源 | 第57-58页 |
| 5.1.3 实验对比方法 | 第58页 |
| 5.2 ELM及其改进算法对比实验 | 第58-62页 |
| 5.3 K-ELM对比实验 | 第62-65页 |
| 5.4 MK-ELM对比试验 | 第65-69页 |
| 5.5 脉象识别的MK-ELM方法 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 本文主要工作 | 第71-72页 |
| 6.2 未来工作展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第77-78页 |
| 附件 | 第78-79页 |