基于ELM神经网络的研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 研究意义 | 第9-10页 |
| 1.4 本文主要研究内容 | 第10页 |
| 1.5 本文组织结构 | 第10-12页 |
| 2 人工神经网络 | 第12-28页 |
| 2.1 人工神经网络的概念及基本原理 | 第12-17页 |
| 2.1.1 神经元的基本模型 | 第13页 |
| 2.1.2 激活函数 | 第13-15页 |
| 2.1.3 神经网络的结构与分类 | 第15页 |
| 2.1.4 学习规则 | 第15-16页 |
| 2.1.5 人工神经网络的工作方式及性能指标 | 第16-17页 |
| 2.2 BP神经网络 | 第17-23页 |
| 2.2.1 BP神经网络模型 | 第17-18页 |
| 2.2.2 BP神经网络的算法原理 | 第18-21页 |
| 2.2.3 BP神经网络学习步骤 | 第21-22页 |
| 2.2.4 BP神经网络存在的问题 | 第22-23页 |
| 2.3 极限学习机 | 第23-27页 |
| 2.3.1 极限学习机的介绍 | 第23页 |
| 2.3.2 极限学习机的原理 | 第23-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于极限学习机的数据可视化方法 | 第28-45页 |
| 3.1 引言 | 第28-29页 |
| 3.2 数据可视化相关技术 | 第29-35页 |
| 3.2.1 平行坐标法 | 第30页 |
| 3.2.3 主成分分析PCA | 第30-32页 |
| 3.2.4 多维尺度分析MDS | 第32-33页 |
| 3.2.5 SNE | 第33-34页 |
| 3.2.6 t-SNE | 第34-35页 |
| 3.3 基于ELM的数据可视化 | 第35-38页 |
| 3.3.1 选定极限学习机框架 | 第35页 |
| 3.3.2 改进极限学习机的更新规则 | 第35-38页 |
| 3.4 实验 | 第38-43页 |
| 3.4.1 实验数据 | 第38页 |
| 3.4.2 实验结果 | 第38-41页 |
| 3.4.3 质量评测 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 4 基于CNN及ELM神经网络的图像识别 | 第45-56页 |
| 4.1 引言 | 第45页 |
| 4.2 卷积神经网络CNN | 第45-51页 |
| 4.2.0 卷积的定义 | 第46-47页 |
| 4.2.1 卷积神经网络的结构 | 第47-49页 |
| 4.2.2 梯度计算 | 第49-51页 |
| 4.3 一种新的CNN-ELM模型 | 第51-54页 |
| 4.4 实验与分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者简介 | 第62页 |
| 作者在攻读硕士学位期间的科研成果 | 第62页 |
