| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 引言 | 第10-15页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 极限学习机研究现状 | 第10-11页 |
| 1.2.2 智能算法应用于极限学习机现状 | 第11-12页 |
| 1.3 研究目的和意义 | 第12页 |
| 1.4 研究内容 | 第12-13页 |
| 1.5 论文组织结构 | 第13-15页 |
| 第二章 相关知识介绍 | 第15-26页 |
| 2.1 极限学习机 | 第15-18页 |
| 2.1.1 极限学习机原理 | 第15-17页 |
| 2.1.2 与BP神经网络的比较 | 第17-18页 |
| 2.2 改进的极限学习机算法 | 第18-23页 |
| 2.2.1 在线贯序极限学习机 | 第18-19页 |
| 2.2.2 增长型极限学习机 | 第19-21页 |
| 2.2.3 剪枝型极限学习机 | 第21-22页 |
| 2.2.4 集成极限学习机 | 第22-23页 |
| 2.3 量子粒子群优化算法 | 第23-25页 |
| 2.3.1 基本原理 | 第23-24页 |
| 2.3.2 算法流程 | 第24-25页 |
| 2.4 总结 | 第25-26页 |
| 第三章 基于递归最小二乘法的增长型极限学习机 | 第26-37页 |
| 3.1 基于误差最小化的极限学习机 | 第26-28页 |
| 3.1.1 基本原理 | 第26页 |
| 3.1.2 算法流程 | 第26-27页 |
| 3.1.3 与EI_ELM的比较 | 第27-28页 |
| 3.2 基于递归最小二乘法的增长型极限学习机 | 第28-31页 |
| 3.2.1 极限学习机的递归最小二乘法算法原理 | 第28-30页 |
| 3.2.2 算法流程 | 第30-31页 |
| 3.3 实验仿真与分析 | 第31-35页 |
| 3.4 总结 | 第35-37页 |
| 第四章 基于量子粒子群优化算法的极限学习机 | 第37-49页 |
| 4.1 基于量子粒子群优化算法的极限学习机算法(QPSO_ELM) | 第37-41页 |
| 4.1.1 算法流程 | 第37-40页 |
| 4.1.2 性能评价函数 | 第40-41页 |
| 4.2 算法仿真与分析 | 第41-47页 |
| 4.2.1 实验环境 | 第41页 |
| 4.2.2 函数拟合实验 | 第41-44页 |
| 4.2.3 分类问题实验 | 第44-47页 |
| 4.3 总结 | 第47-49页 |
| 第五章 基于极限学习机的手写体数字识别 | 第49-54页 |
| 5.1 手写数字识别 | 第49页 |
| 5.2 基于量子粒子群优化算法的极限学习机手写数字识别技术 | 第49-50页 |
| 5.3 实验仿真与分析 | 第50-53页 |
| 5.4 总结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表论文情况 | 第62页 |