| 摘要 | 第1-6页 |
| Abstract | 第6-18页 |
| 主要符号表 | 第18-19页 |
| 1 绪论 | 第19-36页 |
| ·课题的研究背景及其意义 | 第19-28页 |
| ·国内外相关工作研究进展 | 第28-33页 |
| ·常规分类方法与增量分类方法研究进展 | 第28-30页 |
| ·极端学习机模型研究进展 | 第30-32页 |
| ·基于增量方法的极端学习机研究进展 | 第32-33页 |
| ·本文的研究内容 | 第33-34页 |
| ·本文的组织结构 | 第34-36页 |
| 2 极端学习机算法概述 | 第36-52页 |
| ·极端学习机学习原理 | 第37-41页 |
| ·极端学习机分类原理 | 第41-46页 |
| ·拓展于极端学习机的相关算法 | 第46-51页 |
| ·总体误差率的极端学习机算法 | 第46-47页 |
| ·核的极端学习机算法 | 第47页 |
| ·层次的极端学习机算法 | 第47-49页 |
| ·在线的极端学习机算法 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 3 基于极端学习机的并行分类方法 | 第52-64页 |
| ·引言 | 第52-53页 |
| ·MapReduce并行化计算框架 | 第53-54页 |
| ·拓展于MapReduce框架的并行在线极端学习机(POSELM)算法 | 第54-57页 |
| ·实验与分析 | 第57-63页 |
| ·实验中数据来源 | 第57-59页 |
| ·模型比较实验及结果 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 4 基于极端学习机的鲁棒分类方法 | 第64-93页 |
| ·引言 | 第64页 |
| ·局部ELM分类方法 | 第64-78页 |
| ·计算测试样本的K近邻 | 第65页 |
| ·构建局部训练集 | 第65-68页 |
| ·局部分类模型建立 | 第68-70页 |
| ·实验与分析 | 第70-78页 |
| ·基于自组合核的增量分类 | 第78-92页 |
| ·稀疏贝叶斯分类理论 | 第78-79页 |
| ·自组合核在线极端学习机算法框架 | 第79-80页 |
| ·基于自组合核的特征融合方法 | 第80-81页 |
| ·增量分类过程描述 | 第81-84页 |
| ·实验与分析 | 第84-92页 |
| ·本章小结 | 第92-93页 |
| 5 基于极端学习机的非平衡数据增量分类方法 | 第93-115页 |
| ·引言 | 第93-95页 |
| ·代价敏感度理论介绍 | 第95-96页 |
| ·鲁棒的加权在线极端学习机 | 第96-101页 |
| ·实验与分析 | 第101-114页 |
| ·非平衡数据集评价标准 | 第101页 |
| ·非平衡数据集描述 | 第101-103页 |
| ·模型比较实验及结果 | 第103-114页 |
| ·本章小结 | 第114-115页 |
| 6 基于极端学习机的多特征数据分类方法 | 第115-134页 |
| ·引言 | 第115-116页 |
| ·多特征极端学习机分类模型 | 第116-119页 |
| ·实验及分析 | 第119-133页 |
| ·实验数据集描述 | 第120-123页 |
| ·参数选择与特征描述 | 第123-125页 |
| ·模型比较实验及结果 | 第125-133页 |
| ·本章小结 | 第133-134页 |
| 7 结论与展望 | 第134-137页 |
| ·结论 | 第134-135页 |
| ·创新点摘要 | 第135-136页 |
| ·展望 | 第136-137页 |
| 参考文献 | 第137-151页 |
| 攻读博士学位期间科研项目及科研成果 | 第151-153页 |
| 致谢 | 第153-154页 |
| 作者简介 | 第154页 |