摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 绪论 | 第13-19页 |
1.1 课题研究背景及意义 | 第13-14页 |
1.2 神经网络的研究现状 | 第14-16页 |
1.3 前人成果概述 | 第16-17页 |
1.4 本文研究内容 | 第17-19页 |
第二章 极限学习机理论及正则化求解方法 | 第19-27页 |
2.1 极限学习机的基础理论知识及优缺点 | 第19-23页 |
2.1.1 极限学习机的基础理论知识 | 第19-20页 |
2.1.2 极限学习机的优缺点及改进 | 第20-23页 |
2.2 正则化极限学习机的值函数 | 第23-24页 |
2.3 交替方向乘子算法基本原理 | 第24-26页 |
2.3.1 对偶算法 | 第24-25页 |
2.3.2 增广拉格朗日乘子法 | 第25-26页 |
2.3.3 交替方向乘子算法 | 第26页 |
2.4 本章小结 | 第26-27页 |
第三章 基于交替方向乘子算法(ADMM)的l_1-regularized-ELM算法研究及应用 | 第27-41页 |
3.1 引言 | 第27页 |
3.2 基于ADMM的l_1-regularized-ELM算法 | 第27-29页 |
3.3 理论证明及分析 | 第29-30页 |
3.4 实验仿真结果及分析 | 第30-34页 |
3.5 混合预测模型的理论知识及应用 | 第34-40页 |
3.5.1 混合预测模型的建立 | 第34-37页 |
3.5.2 混合预测模型的理论误差分析 | 第37页 |
3.5.3 混合预测模型在软测量中的应用 | 第37-40页 |
3.6 本章小结 | 第40-41页 |
第四章 基于在线ADMM的神经网络稀疏监督学习 | 第41-57页 |
4.1 引言 | 第41-42页 |
4.2 基于在线ADMM的神经网络稀疏监督学习 | 第42-45页 |
4.3 多分类问题 | 第45页 |
4.4 实验仿真结果及分析 | 第45-56页 |
4.4.1 在线回归实验分析 | 第46-51页 |
4.4.2 在线分类实验分析 | 第51-56页 |
4.5 本章小结 | 第56-57页 |
第五章 总结与展望 | 第57-59页 |
5.1 总结 | 第57-58页 |
5.2 展望 | 第58-59页 |
参考文献 | 第59-63页 |
致谢 | 第63-65页 |
研究成果及发表的学术论文 | 第65-67页 |
导师和作者简介 | 第67-69页 |
附件 | 第69-70页 |