基于极限学习机的分类方法研究及应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1.绪论 | 第9-14页 |
| 1.1 课题研究的背景和意义 | 第9页 |
| 1.2 分类算法及特征选择研究现状 | 第9-11页 |
| 1.3 人工蜂群算法的研究现状 | 第11-12页 |
| 1.4 课题研究的主要内容 | 第12-14页 |
| 2.极限学习机原理概述 | 第14-19页 |
| 2.1 极限学习机算法 | 第14页 |
| 2.2 极限学习机的分类原理 | 第14-16页 |
| 2.3 极限学习机的主要步骤 | 第16-17页 |
| 2.4 分类性能度量 | 第17-18页 |
| 2.5 小结 | 第18-19页 |
| 3.结合混合特征选择的ELM分类方法 | 第19-33页 |
| 3.1 引言 | 第19页 |
| 3.2 F-score特征排序方法 | 第19-21页 |
| 3.2.1 传统的F-score特征判别方法 | 第20页 |
| 3.2.2 改进后的F-score特征判别方法 | 第20-21页 |
| 3.3 启发式特征选择方法 | 第21页 |
| 3.4 实验方法设计 | 第21-22页 |
| 3.5 实验设置 | 第22-32页 |
| 3.5.1 实验数据描述 | 第22-23页 |
| 3.5.2 分类器性能评估方法 | 第23-24页 |
| 3.5.3 仿真结果与分析 | 第24-32页 |
| 3.6 小结 | 第32-33页 |
| 4.人工蜂群算法的原理分析及改进 | 第33-47页 |
| 4.1 人工蜂群算法基本原理 | 第33-35页 |
| 4.1.1 蜂群算法简要描述 | 第33-34页 |
| 4.1.2 人工蜂群算法的三个阶段 | 第34-35页 |
| 4.2 人工蜂群算法的实现步骤 | 第35-37页 |
| 4.3 人工蜂群算法的性能分析及改进 | 第37-38页 |
| 4.4 仿真实验一 | 第38-42页 |
| 4.5 多目标人工蜂群算法 | 第42-44页 |
| 4.5.1 多目标优化问题数学模型 | 第42-43页 |
| 4.5.2 基于人工蜂群算法的多目标优化 | 第43页 |
| 4.5.3 多目标优化算法评价指标 | 第43-44页 |
| 4.6 仿真实验二 | 第44-46页 |
| 4.7 小结 | 第46-47页 |
| 5.基于MOABC优化的ELM分类方法 | 第47-61页 |
| 5.1 随机搜索策略的特征选择方法 | 第47页 |
| 5.2 多目标人工蜂群算法优化ELM模型 | 第47-48页 |
| 5.2.1 初始解的编码 | 第47-48页 |
| 5.2.2 适应度函数构造 | 第48页 |
| 5.2.3 解的更新方式 | 第48页 |
| 5.3 模型实现步骤 | 第48-50页 |
| 5.4 实验设置 | 第50-60页 |
| 5.4.1 实验数据 | 第50页 |
| 5.4.2 实验参数设置 | 第50页 |
| 5.4.3 仿真结果及分析 | 第50-60页 |
| 5.5 小结 | 第60-61页 |
| 6.总结与展望 | 第61-63页 |
| 6.1 论文内容总结 | 第61页 |
| 6.2 下一步工作展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 附录 ：硕士研究生学习阶段发表论文 | 第68-69页 |
| 致谢 | 第69页 |
