极速学习理论与应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究背景 | 第10-13页 |
| ·机器学习 | 第10页 |
| ·人工神经网络 | 第10-13页 |
| ·研究现状 | 第13-15页 |
| ·研究内容和创新 | 第15页 |
| ·论文架构安排 | 第15-18页 |
| 第二章 极速学习算法简介 | 第18-26页 |
| ·单隐藏层前馈神经网络 | 第18-20页 |
| ·单隐藏层前馈神经网络(SLFN)的统一模型 | 第18-19页 |
| ·SLFN的特性 | 第19页 |
| ·传统基于梯度的SLFN学习 | 第19-20页 |
| ·极速学习方法ELM | 第20-21页 |
| ·ELM与支撑矢量机SVM的区别 | 第21-24页 |
| ·SVM简介 | 第21-22页 |
| ·ELM与SVM对比 | 第22-24页 |
| ·本章小结 | 第24-26页 |
| 第三章 判别极速学习算法 | 第26-46页 |
| ·判别模型 | 第26页 |
| ·判别正则化极速学习算法 | 第26-32页 |
| ·判别正则化项 | 第27-28页 |
| ·流形信息 | 第28-29页 |
| ·基于判别正则的极速学习 | 第29-30页 |
| ·优化问题求解 | 第30-32页 |
| ·基于线性判别分析的极速学习 | 第32-36页 |
| ·线性判别分析 | 第32-33页 |
| ·线性判别分析的最小二乘解 | 第33-35页 |
| ·线性判别极速学习 | 第35-36页 |
| ·实验与结果分析 | 第36-43页 |
| ·人工数据实验 | 第36-39页 |
| ·图像识别实验 | 第39-43页 |
| ·实验分析 | 第43页 |
| ·本章小结 | 第43-46页 |
| 第四章 基于压缩采样的稀疏极速学习网络 | 第46-62页 |
| ·神经网络的优化 | 第46-47页 |
| ·压缩采样理论 | 第47页 |
| ·结构稀疏的压缩采样学习算法 | 第47-50页 |
| ·单观测向量压缩采样问题 | 第47-48页 |
| ·多观测向量压缩采样问题 | 第48-50页 |
| ·稀疏极速学习机 | 第50-52页 |
| ·输入权值优化 | 第52页 |
| ·隐藏节点优化 | 第52页 |
| ·特征稀疏的压缩采样极速学习算法 | 第52-53页 |
| ·压缩采样特征选择 | 第52-53页 |
| ·特征稀疏化的压缩采样极速学习算法 | 第53页 |
| ·实验与结果分析 | 第53-61页 |
| ·网络优化实验 | 第54-57页 |
| ·特征选择实验 | 第57-60页 |
| ·实验分析 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 在线极速脊波核函数网络 | 第62-78页 |
| ·神经网络在线学习算法简介 | 第62-63页 |
| ·在线极速学习算法 | 第63-64页 |
| ·脊波核函数网络在线学习算法 | 第64-67页 |
| ·脊波核函数 | 第64-65页 |
| ·脊波核函数网络在线学习算法 | 第65-67页 |
| ·基于线性判别分析在线极速脊波核网络学习算法 | 第67-72页 |
| ·实验与结果分析 | 第72-77页 |
| ·脊波核函数网络在线学习实验 | 第72-74页 |
| ·基于线性判别分析在线极速脊波核网络学习实验 | 第74-76页 |
| ·实验分析 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| ·总结 | 第78-79页 |
| ·展望 | 第79-80页 |
| 致谢 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 硕士期间成果 | 第88页 |
