基于随机配置网络的多分类集成算法研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 多分类问题研究现状 | 第10-12页 |
| 1.2.2 随机权神经网络研究现状 | 第12-14页 |
| 1.3 本文的主要工作及创新点 | 第14-15页 |
| 1.3.1 主要工作 | 第14-15页 |
| 1.3.2 本文的创新点 | 第15页 |
| 1.4 基本框架 | 第15-17页 |
| 第2章 基于BP神经网络的多分类算法 | 第17-23页 |
| 2.1 神经网络概述 | 第17-18页 |
| 2.2 神经网络中参数选择 | 第18-20页 |
| 2.2.1 激活函数的选择 | 第18-19页 |
| 2.2.2 隐藏层节点个数的选择 | 第19页 |
| 2.2.3 权重参数的选择与调整 | 第19-20页 |
| 2.3 多分类下的BP神经网络算法 | 第20-21页 |
| 2.4 BP神经网络的不足及解决方法 | 第21-23页 |
| 第3章 基于随机配置网络的多分类算法 | 第23-33页 |
| 3.1 理论介绍 | 第23-25页 |
| 3.2 L2正则化下的SCN算法 | 第25-26页 |
| 3.3 SCN中激活函数的选择 | 第26-27页 |
| 3.4 加权SCN多分类算法 | 第27-30页 |
| 3.4.1 数据的不平衡性 | 第27-28页 |
| 3.4.2 加权SCN多分类算法 | 第28-30页 |
| 3.5 WSCN多分类算法步骤 | 第30-33页 |
| 第4章 基于WSCN-RF的多分类集成算法 | 第33-39页 |
| 4.1 集成思想 | 第33-34页 |
| 4.1.1 WSCN多分类算法的不足 | 第33页 |
| 4.1.2 二次分类的方法选择 | 第33-34页 |
| 4.2 随机森林分类算法介绍 | 第34-37页 |
| 4.2.1 CART决策树 | 第35-36页 |
| 4.2.2 Bagging方法和随机森林 | 第36-37页 |
| 4.3 WSCN-RF多分类集成算法步骤 | 第37-39页 |
| 第5章 实验验证 | 第39-45页 |
| 5.1 数据准备 | 第39-40页 |
| 5.1.1 实验数据集 | 第39页 |
| 5.1.2 数据处理 | 第39-40页 |
| 5.2 实验参数配置 | 第40页 |
| 5.2.1 SCN多分类算法参数设置 | 第40页 |
| 5.2.2 BP神经网络多分类算法参数设置 | 第40页 |
| 5.2.3 RF算法参数设置 | 第40页 |
| 5.3 实验结果与分析 | 第40-45页 |
| 5.3.1 WSCN多分类算法的有效性 | 第42-43页 |
| 5.3.2 WSCN-RF算法集成的必要性 | 第43-44页 |
| 5.3.3 实验总结 | 第44-45页 |
| 第6章 总结与展望 | 第45-47页 |
| 6.1 全文总结 | 第45-46页 |
| 6.2 展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
