| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-11页 |
| 1.1 课题背景 | 第8-9页 |
| 1.2 研究需求 | 第9-10页 |
| 1.3 论文组织结构 | 第10-11页 |
| 第2章 相关文献综述 | 第11-17页 |
| 2.1 缺失数据的分类及机制 | 第11-13页 |
| 2.1.1 缺失数据产生的原因 | 第11页 |
| 2.1.2 数据缺失的机制 | 第11-13页 |
| 2.2 处理缺失数据的机器学习算法分类 | 第13-15页 |
| 2.3 处理缺失数据的机器学习算法研究现状 | 第15-16页 |
| 2.3.1 神经网络集成方法 | 第15页 |
| 2.3.2 支持向量机 | 第15-16页 |
| 2.3.3 极限学习机 | 第16页 |
| 2.4 本章小结 | 第16-17页 |
| 第3章 基于 ELM 的缺失数据处理方法 | 第17-23页 |
| 3.1 标准极限学习机算法 | 第17-18页 |
| 3.2 基于 ELM 的缺失数据处理方法 | 第18-22页 |
| 3.2.1 处理缺失数据的加性模型 | 第18-20页 |
| 3.2.2 处理缺失数据的自调节神经元状态模型 | 第20-22页 |
| 3.3 本章小结 | 第22-23页 |
| 第4章 处理缺失数据的改进 SBELM 算法 | 第23-34页 |
| 4.1 稀疏贝叶斯 ELM 算法介绍 | 第23-26页 |
| 4.2 处理缺失数据的改进 SBELM 算法 | 第26-30页 |
| 4.2.1 结合加性模型的改进 SBELM 算法 | 第26-27页 |
| 4.2.2 结合自调节神经元状态模型的改进 SBELM 算法 | 第27-30页 |
| 4.3 改进 SBELM 算法性能评估 | 第30-33页 |
| 4.3.1 数据集 | 第30页 |
| 4.3.2 实验设置 | 第30-31页 |
| 4.3.3 实验结果及分析 | 第31-33页 |
| 4.4 本章小结 | 第33-34页 |
| 第5章 处理缺失数据的改进 TROP-ELM 算法 | 第34-50页 |
| 5.1 TROP-ELM 算法介绍 | 第34-38页 |
| 5.2 处理缺失数据的改进 TROP-ELM 算法 | 第38-43页 |
| 5.2.1 结合加性模型的改进 TROP-ELM 算法 | 第39-41页 |
| 5.2.2 结合自调节神经元状态模型的改进 TROP-ELM 算法 | 第41-43页 |
| 5.3 改进 TROP-ELM 算法性能评估 | 第43-45页 |
| 5.3.1 数据集 | 第43页 |
| 5.3.2 实验设置 | 第43-44页 |
| 5.3.3 实验结果及分析 | 第44-45页 |
| 5.4 改进 TROP-ELM 算法的应用 | 第45-48页 |
| 5.4.1 大洋热液硫化物简介 | 第45-46页 |
| 5.4.2 TAG 区域热液喷口钻孔数据情况 | 第46页 |
| 5.4.3 TAG 区域热液喷口钻孔数据分析 | 第46-48页 |
| 5.5 本章小结 | 第48-50页 |
| 第6章 结论 | 第50-53页 |
| 6.1 论文工作总结 | 第50-51页 |
| 6.2 主要创新点 | 第51-52页 |
| 6.3 未来研究方向 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-58页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第58页 |
