| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 课题背景 | 第12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 研究内容与组织结构 | 第14-16页 |
| 第二章 相关工作概述 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 监督学习 | 第16-18页 |
| 2.3 缺失数据简介 | 第18-22页 |
| 2.3.1 根据缺失数据的模式分类 | 第18-20页 |
| 2.3.2 根据变量数据的分布特点分类 | 第20页 |
| 2.3.3 根据缺失数据的机制分类 | 第20-22页 |
| 2.4 缺失数据处理方法 | 第22-28页 |
| 2.4.1 删除法 | 第22页 |
| 2.4.2 均值填补 | 第22-24页 |
| 2.4.3 回归填补法 | 第24-25页 |
| 2.4.4 多重填补法 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 极限学习机填补缺失数据方法 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 支持向量回归机(SVR)填补缺失数据方法 | 第30-37页 |
| 3.2.1 支持向量机(SVM)简介 | 第30-33页 |
| 3.2.2 支持向量回归机(SVR)填补缺失数据 | 第33-37页 |
| 3.3 极限学习机(ELM)填补缺失数据方法 | 第37-43页 |
| 3.3.1 单隐层前馈神经网络(SLFNs) | 第37-39页 |
| 3.3.2 极限学习机(ELM)原理 | 第39-42页 |
| 3.3.3 极限学习机(ELM)填补缺失数据 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 自适应的岭回归极限学习机填补缺失数据方法 | 第44-62页 |
| 4.1 引言 | 第44页 |
| 4.2 自适应的极限学习机(A-ELM) | 第44-51页 |
| 4.3 添加岭回归(ridge regression)函数 | 第51-57页 |
| 4.3.1 岭回归模型 | 第52-53页 |
| 4.3.2 广义交叉验证(generalized cross-validation) | 第53-55页 |
| 4.3.3 基于岭回归的极限学习机(B-ELM) | 第55-57页 |
| 4.4 自适应的岭回归极限学习机缺失数据填补模型(AB-ELM-MD) | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 实验及结果分析 | 第62-82页 |
| 5.1 真实的DNA缺失数据填补技术实验与结果分析 | 第62-74页 |
| 5.1.1 实验环境 | 第62页 |
| 5.1.2 实验数据 | 第62-63页 |
| 5.1.3 实验评估标准 | 第63页 |
| 5.1.4 实验步骤 | 第63-70页 |
| 5.1.5 实验结果分析 | 第70-74页 |
| 5.2 真实的轨迹数据缺失数据填补技术实验与结果分析 | 第74-81页 |
| 5.2.1 实验环境 | 第74页 |
| 5.2.2 实验数据 | 第74-75页 |
| 5.2.3 实验评估标准 | 第75页 |
| 5.2.4 实验参数 | 第75-78页 |
| 5.2.5 实验结果分析 | 第78-81页 |
| 5.3 本章小结 | 第81-82页 |
| 第6章 总结与展望 | 第82-84页 |
| 6.1 全文总结 | 第82页 |
| 6.2 未来工作展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88-90页 |
| 攻硕期间参加的项目 | 第90页 |
