| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第9-12页 |
| Contents | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题研究背景 | 第15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 神经网络的发展 | 第15-16页 |
| 1.2.2 ELM研究现状 | 第16-17页 |
| 1.2.3 粒子群算法研究现状 | 第17-19页 |
| 1.2.4 信息熵研究现状 | 第19页 |
| 1.3 课题研究内容 | 第19-20页 |
| 1.4 论文组织结构 | 第20-23页 |
| 第二章 基于信息熵的ELM输入变量优化算法 | 第23-39页 |
| 2.1 ELM神经网络 | 第23-24页 |
| 2.1.1 极限学习机算法 | 第23-24页 |
| 2.2 熵理论 | 第24-28页 |
| 2.2.1 信息熵 | 第25-26页 |
| 2.2.2 熵权法 | 第26-27页 |
| 2.2.3 联合熵 | 第27页 |
| 2.2.4 条件熵 | 第27-28页 |
| 2.2.5 互信息 | 第28页 |
| 2.3 基于信息熵的输入变量优化算法 | 第28-31页 |
| 2.4 实验测试 | 第31-37页 |
| 2.4.1 Breast Cancer实验测试 | 第32-34页 |
| 2.4.2 Ionosphere实验测试 | 第34-36页 |
| 2.4.3 QSAR biodegradation实验测试 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 基于TENT混沌映射和SQP优化的PSO算法 | 第39-51页 |
| 3.1 粒子群算法 | 第39-41页 |
| 3.1.1 粒子群算法概述 | 第39-40页 |
| 3.1.2 早熟判断 | 第40页 |
| 3.1.3 LDWPSO | 第40-41页 |
| 3.2 混沌映射 | 第41-44页 |
| 3.3 序贯二次规划法 | 第44页 |
| 3.4 TPSOSQP算法 | 第44-46页 |
| 3.4.1 TPSOSQP算法步骤 | 第45-46页 |
| 3.5 实验测试 | 第46-49页 |
| 3.6 本章小结 | 第49-51页 |
| 第四章 基于TPSOSQP算法的极限学习机优化 | 第51-61页 |
| 4.1 PSO优化神经网络 | 第51-54页 |
| 4.1.1 TPSOSQP优化ELM基本思想 | 第51-52页 |
| 4.1.2 TPSOSQP优化ELM算法步骤 | 第52-53页 |
| 4.1.3 粒子编码方法 | 第53-54页 |
| 4.2 基于互信息与粒子群优化的极限学习机 | 第54-55页 |
| 4.3 实验测试 | 第55-60页 |
| 4.3.1 实验设置 | 第55-56页 |
| 4.3.2 Housing数据集 | 第56-58页 |
| 4.3.3 Ionosphere(MI)数据集 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 工业应用 | 第61-67页 |
| 5.1 PTA化工过程 | 第61-62页 |
| 5.2 PTA化工过程建模 | 第62-65页 |
| 5.2.1 互信息筛选输入变量 | 第62-63页 |
| 5.2.2 精度验证 | 第63页 |
| 5.2.3 TPSOSQP优化 | 第63-65页 |
| 5.4 本章小结 | 第65-67页 |
| 第六章 结论与展望 | 第67-69页 |
| 6.1 结论 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 研究成果及录用的学术论文 | 第75-77页 |
| 作者和导师简介 | 第77-78页 |
| 附件 | 第78-79页 |