| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 极限学习机算法国内外研究现状 | 第8-10页 |
| 1.3 特征选择算法国内外研究现状 | 第10-11页 |
| 1.3.1 Filter方法 | 第10页 |
| 1.3.2 Wrapper方法 | 第10-11页 |
| 1.3.3 Embedded方法 | 第11页 |
| 1.4 本文的主要研究工作 | 第11-13页 |
| 第二章 极限学习机 | 第13-22页 |
| 2.1 引言 | 第13页 |
| 2.2 单隐层前馈神经网络(SLFNs)模型 | 第13-15页 |
| 2.2.1 SLFNs模型的描述和定义 | 第13-14页 |
| 2.2.2 传统算法求解SLFNs模型 | 第14-15页 |
| 2.3 极限学习机理论与算法 | 第15-18页 |
| 2.3.1 极限学习机理论 | 第15-16页 |
| 2.3.2 极限学习机算法 | 第16-18页 |
| 2.4 核极限学习机 | 第18-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第三章 基于核映射的极限学习机算法 | 第22-35页 |
| 3.1 引言 | 第22-23页 |
| 3.2 核极限学习机理论缺陷的证明 | 第23页 |
| 3.3 基于核映射的极限学习机算法 | 第23-24页 |
| 3.4 KELM算法与FM-KELM算法的不同之处 | 第24-26页 |
| 3.5 实验部分 | 第26-33页 |
| 3.5.1 数据集 | 第26-27页 |
| 3.5.2 FM-KELM算法与KELM算法的性能比较 | 第27-30页 |
| 3.5.3 FM-KELM算法与ELM算法性能的比较 | 第30-33页 |
| 3.6 本章小结 | 第33-35页 |
| 第四章 基于极限学习机的特征选择算法 | 第35-45页 |
| 4.1 引言 | 第35-36页 |
| 4.2 基于极限学习机的特征选择算法 | 第36页 |
| 4.3 实验部分 | 第36-44页 |
| 4.3.1 数据集 | 第36-37页 |
| 4.3.2 基于极限学习机算法的特征权重计算 | 第37-39页 |
| 4.3.3 基于极限学习机的特征选择算法的性能评估 | 第39-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 总结 | 第45-46页 |
| 参考文献 | 第46-51页 |
| 发表论文和科研情况说明 | 第51页 |
