改进PSO算法与ELM在基因数据分类中的应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 1 绪论 | 第13-18页 |
| 1.1 课题的研究背景及意义 | 第13-14页 |
| 1.2 历史研究现状 | 第14-15页 |
| 1.2.1 粒子群研究现状 | 第14页 |
| 1.2.2 极限学习机研究现状 | 第14-15页 |
| 1.3 实验环境及数据集 | 第15-16页 |
| 1.4 创新点 | 第16页 |
| 1.5 论文主要工作及内容安排 | 第16-18页 |
| 2 相关理论基础 | 第18-24页 |
| 2.1 核极限学习机 | 第18-20页 |
| 2.1.1 极限学习机原理 | 第18-19页 |
| 2.1.2 核学习算法简介 | 第19-20页 |
| 2.2 粒子群算法 | 第20-23页 |
| 2.2.1 标准粒子群算法概述 | 第20-21页 |
| 2.2.2 改进粒子群算法研究相关理论进展 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于探测粒子群的小波核极限学习机算法 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 探测粒子群算法 | 第24-25页 |
| 3.3 小波核极限学习机 | 第25-32页 |
| 3.3.1 核极限学习机的学习算法 | 第26-28页 |
| 3.3.2 核极限学习机与最小二乘支持向量机 | 第28-30页 |
| 3.3.3 小波核极限学习机 | 第30-32页 |
| 3.4 实验及结果分析 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 自适应混沌粒子群对ELM参数的优化作用 | 第36-42页 |
| 4.1 自适应函数 | 第36-37页 |
| 4.2 混沌粒子群优化算法 | 第37-39页 |
| 4.2.1 混沌序列及其特性 | 第37-39页 |
| 4.3 在结肠癌等数据集上实验及结果 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 总结与展望 | 第42-44页 |
| 5.1 研究总结 | 第42页 |
| 5.2 展望及后期需要完成的工作 | 第42-44页 |
| 参考文献 | 第44-47页 |
| 作者简历 | 第47页 |
