基于灰狼优化的特征选择方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-17页 |
| 1 研究现状 | 第11-15页 |
| 2 研究内容 | 第15页 |
| 3 论文结构 | 第15-17页 |
| 第二章 背景知识 | 第17-29页 |
| 1 特征选择方法 | 第17-21页 |
| 1.1 生成过程 | 第17-18页 |
| 1.2 评估函数 | 第18-19页 |
| 1.3 分类框架 | 第19-21页 |
| 2 灰狼优化算法 | 第21-29页 |
| 2.1 算法启发 | 第22-23页 |
| 2.2 算法模型 | 第23-26页 |
| 2.3 算法概述 | 第26-29页 |
| 第三章 基于种群演化的改进灰狼优化特征选择方法 | 第29-45页 |
| 1 引言 | 第29-30页 |
| 2 遗传算法 | 第30-31页 |
| 3 极限学习机 | 第31-36页 |
| 3.1 前馈神经网络 | 第31-32页 |
| 3.2 Moore-Penrose广义逆 | 第32-33页 |
| 3.3 一般线性系统的最小范数最小二乘解 | 第33页 |
| 3.4 具有随机隐藏节点的SLFNs | 第33-34页 |
| 3.5 极限学习机理论 | 第34-36页 |
| 4 混合遗传算法的灰狼优化算法 | 第36-37页 |
| 4.1 分类模型 | 第36-37页 |
| 4.2 适应度函数 | 第37页 |
| 5 实验设计 | 第37-39页 |
| 5.1 数据描述 | 第37-38页 |
| 5.2 实验设置 | 第38-39页 |
| 6 实验结果与分析 | 第39-43页 |
| 6.1 HGAGWO在基准函数上的性能测试 | 第39-40页 |
| 6.2 HGAGWO在数据集上的性能测试 | 第40-43页 |
| 7 本章小结 | 第43-45页 |
| 第四章 基于种群初始化的改进灰狼优化特征选择方法 | 第45-69页 |
| 1 引言 | 第45-46页 |
| 2 核极限学习机简介 | 第46-48页 |
| 3 改进的灰狼优化算法 | 第48-52页 |
| 4 实验设计 | 第52-56页 |
| 4.1 数据描述 | 第52-54页 |
| 4.2 实验设置 | 第54-55页 |
| 4.3 性能评估 | 第55-56页 |
| 5 实验结果与分析 | 第56-67页 |
| 5.1 帕金森病诊断问题 | 第57-61页 |
| 5.2 乳腺癌诊断问题 | 第61-67页 |
| 6 本章小结 | 第67-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 1 工作总结 | 第69-70页 |
| 2 研究展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 附录A | 第77-79页 |
| 致谢 | 第79-81页 |
| 攻读硕士学位期间发表的学术论文目录 | 第81页 |
