分层梯度提升ELM算法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 主要研究内容 | 第10页 |
| 1.4 论文组织 | 第10-12页 |
| 2 基础知识 | 第12-21页 |
| 2.1 M-P广义逆 | 第12-13页 |
| 2.2 ELM网络 | 第13-16页 |
| 2.3 ELM自编码网络 | 第16-18页 |
| 2.4 集成学习 | 第18-21页 |
| 3 HGB-ELM算法 | 第21-28页 |
| 3.1 HGB-ELM无监督学习部分 | 第21-24页 |
| 3.2 HGB-ELM监督学习部分 | 第24-25页 |
| 3.3 HGB-ELM算法的计算 | 第25-26页 |
| 3.4 HGB-ELM算法总结 | 第26-28页 |
| 4 实验结果和分析 | 第28-48页 |
| 4.1 实验评价函数 | 第28-29页 |
| 4.2 HGB-ELM算法的回归任务表现 | 第29-35页 |
| 4.3 HGB-ELM算法的分类任务表现 | 第35-39页 |
| 4.4 HGB-ELM算法中超参数的影响 | 第39-43页 |
| 4.5 HGB-ELM中的特征抽取 | 第43-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 本文总结 | 第48页 |
| 5.2 工作展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 附录1 运行环境 | 第56-57页 |
| 附录2 矩阵广义逆的计算 | 第57-58页 |
| 附录3 HGB-ELM算法 | 第58页 |
