| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 第一节 研究背景与意义 | 第8-9页 |
| 一、研究背景 | 第8-9页 |
| 二、研究意义 | 第9页 |
| 第二节 国内外研究现状 | 第9-12页 |
| 一、分布回归的研究现状 | 第9-10页 |
| 二、随机权神经网络的研究现状 | 第10-12页 |
| 第三节 研究思路与框架 | 第12-15页 |
| 一、研究思路 | 第12页 |
| 二、文章结构 | 第12-14页 |
| 三、研究框架 | 第14-15页 |
| 第四节 研究创新 | 第15-16页 |
| 第二章 分布回归概述 | 第16-24页 |
| 第一节 分布回归的定义 | 第16-17页 |
| 第二节 核方法 | 第17-22页 |
| 一、核均值嵌入 | 第17-21页 |
| 二、多核学习方法 | 第21-22页 |
| 第三节 基于核均值嵌入岭回归的分布学习 | 第22-24页 |
| 第三章 基于随机配置网络的分布回归算法的提出 | 第24-33页 |
| 第一节 随机权神经网络 | 第24-28页 |
| 一、随机向量函数连接(RVFL)网络 | 第24-26页 |
| 二、随机配置网络(SCNs) | 第26-28页 |
| 第二节 随机配置多尺度径向基函数网络的核均值嵌入岭回归 | 第28-33页 |
| 一、随机配置网络基函数的选取 | 第28-29页 |
| 二、随机配置多尺度径向基函数网络的核均值嵌入岭回归算法 | 第29-33页 |
| 第四章 实验结果分析 | 第33-44页 |
| 第一节 样本数据的选取及参数介绍 | 第33-35页 |
| 一、数据介绍 | 第33-34页 |
| 二、模型参数介绍与性能评价方法 | 第34-35页 |
| 第二节 实验分析 | 第35-43页 |
| 一、SCMRBFN-MERR与MERR的拟合效果比较 | 第35页 |
| 二、SCMRBFN-MERR算法的残差下降速率 | 第35-36页 |
| 三、SCMRBFN-MERR在多次重复实验的拟合波动 | 第36-37页 |
| 四、四种算法在无噪声数据集上的实验对比结果 | 第37-40页 |
| 五、四种算法在噪声数据集上的实验对比结果 | 第40-43页 |
| 第三节 本章小结 | 第43-44页 |
| 第五章 结论及展望 | 第44-46页 |
| 第一节 研究结论 | 第44-45页 |
| 第二节 不足与展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
