| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 神经元分类的国内外研究现状 | 第12-13页 |
| 1.3 研究的主要内容与创新点 | 第13-14页 |
| 1.4 论文的章节安排 | 第14-15页 |
| 第2章 相关工作 | 第15-29页 |
| 2.1 稀疏主成分 | 第15-20页 |
| 2.1.1 Lasso方法 | 第16页 |
| 2.1.2 弹性网 | 第16-17页 |
| 2.1.3 基于Lasso的简化主成分 | 第17-18页 |
| 2.1.4 稀疏主成分与惩罚回归的关系 | 第18-20页 |
| 2.2 极限学习机算法 | 第20-28页 |
| 2.2.1 单隐层前馈神经网络 | 第20-21页 |
| 2.2.2 Moore-Penrose广义逆和最小二乘范数解 | 第21-22页 |
| 2.2.3 极限学习机的原理 | 第22-23页 |
| 2.2.4 在线序列极限学习机 | 第23-26页 |
| 2.2.5 正则极限学习机 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 神经元形态分类的研究 | 第29-39页 |
| 3.1 神经元的数据预处理 | 第29-33页 |
| 3.1.1 神经元的基本介绍 | 第29页 |
| 3.1.2 神经元的数据来源 | 第29-31页 |
| 3.1.3 数据预处理 | 第31-33页 |
| 3.2 神经元形态特征主要成分的提取 | 第33-35页 |
| 3.3 神经元的分类标准 | 第35-36页 |
| 3.4 检验分类标准 | 第36页 |
| 3.5 基于极限学习机的神经元分类 | 第36-38页 |
| 3.5.1 极限学习机的分类原理 | 第36-37页 |
| 3.5.2 实验结果 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 改进的在线极限学习机 | 第39-49页 |
| 4.1 正则在线极限学习机 | 第39-43页 |
| 4.1.1 方法原理实现 | 第39-41页 |
| 4.1.2 实验分析 | 第41-43页 |
| 4.2 基于AdaBoost集成的ROS-ELM | 第43-47页 |
| 4.2.1 集成学习 | 第43页 |
| 4.2.2 Adaboost算法 | 第43-44页 |
| 4.2.3 基于AdaBoost集成的ROS-ELM | 第44-46页 |
| 4.2.4 实验分析 | 第46-47页 |
| 4.3 本章小结 | 第47-49页 |
| 第5章 神经元分类方法的设计与实现 | 第49-52页 |
| 5.1 神经元分类模型的框架设计 | 第49-50页 |
| 5.2 神经元分类方法的实现 | 第50-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 工作总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者在攻读硕士学位期间发表的成果 | 第58-59页 |
| 致谢 | 第59页 |