| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 集成学习算法国内外研究现状 | 第10-12页 |
| 1.3 集成ELM国内外研究现状 | 第12-14页 |
| 1.4 研究内容 | 第14-15页 |
| 1.5 章节安排 | 第15-17页 |
| 第二章 相关技术 | 第17-26页 |
| 2.1 极端学习机 | 第17-19页 |
| 2.2 集成极端学习机 | 第19-22页 |
| 2.3 微粒群算法 | 第22-26页 |
| 2.3.1 标准微粒群算法 | 第22-24页 |
| 2.3.2 吸引排斥微粒群算法 | 第24-26页 |
| 第三章 基于K-means和遗传算法的集成极端学习机 | 第26-39页 |
| 3.1 引言 | 第26页 |
| 3.2 基于K均值聚类和遗传算法的集成极端学习机 | 第26-29页 |
| 3.2.1 K均值聚类算法对成员分类器的分类 | 第26-28页 |
| 3.2.2 锦标赛选择算子对成员分类器的选择 | 第28-29页 |
| 3.3 算法思想及步骤 | 第29-32页 |
| 3.4 实验结果与讨论 | 第32-38页 |
| 3.4.1 数据集 | 第32页 |
| 3.4.2 实验结果及讨论 | 第32-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于多群体的KGA-ARPSO优化的集成极端学习机 | 第39-50页 |
| 4.1 引言 | 第39页 |
| 4.2 基于多群体和收敛评价标准的集成极端学习机 | 第39-43页 |
| 4.2.1 多子群优化的收敛程度评价标准 | 第41页 |
| 4.2.2 基于多子群双重优化的集成极端学习机 | 第41-43页 |
| 4.3 实验结果与讨论 | 第43-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结和展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间发表的学术论文与参与的科研项目 | 第58页 |