| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 相关技术国内外研究现状 | 第8-11页 |
| 1.2.1 极限学习机研究现状 | 第8-10页 |
| 1.2.2 降维算法研究现状 | 第10-11页 |
| 1.3 本文主要研究内容与思路 | 第11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 2 极限学习机(ELM) | 第12-17页 |
| 2.1 极限学习机理论模型 | 第12-15页 |
| 2.2 极限学习机优缺点 | 第15-17页 |
| 3 基于流形学习的ELM算法 | 第17-31页 |
| 3.1 流形学习简介 | 第17-19页 |
| 3.2 基于流形学习的降维算法 | 第19-23页 |
| 3.2.1 局部线性嵌入降维算法(LLE) | 第19-21页 |
| 3.2.2 拉普拉斯特征映射降维算法(LE) | 第21-22页 |
| 3.2.3 局部保持投影降维算法(LPP) | 第22-23页 |
| 3.3 基于流形学习的SSLPP降维算法 | 第23-25页 |
| 3.4 实验对比与分析 | 第25-29页 |
| 3.5 本章小结 | 第29-31页 |
| 4 修正的模糊极限学习机 | 第31-42页 |
| 4.1 隶属度的定义 | 第31-32页 |
| 4.2 MFELM的优化问题 | 第32-34页 |
| 4.3 实验对比与分析 | 第34-41页 |
| 4.3.1 不同ELM算法在人脸图像数据的识别率 | 第36-37页 |
| 4.3.2 不同ELM算法在多分类UCI数据集的识别率 | 第37-39页 |
| 4.3.3 不同ELM算法在二分类UCI数据集的识别率 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 结论 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 攻读硕士学位期间发表学术论文情况 | 第47-48页 |
| 致谢 | 第48页 |