| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 不均衡数据分类研究现状 | 第13-14页 |
| 1.2.2 极限学习机算法研究 | 第14-15页 |
| 1.3 论文主要内容及创新点 | 第15-16页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究的创新点 | 第16页 |
| 1.4 论文的组织结构 | 第16-19页 |
| 第二章 ELM介绍 | 第19-23页 |
| 2.1 单隐层前馈神经网络 | 第19-20页 |
| 2.2 极限学习机 | 第20-21页 |
| 2.3 在线极限学习机 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于不均衡样本重构的加权在线极限学习机算法研究 | 第23-37页 |
| 3.1 主曲线 | 第23-24页 |
| 3.2 SMOTE算法 | 第24页 |
| 3.3 IS-WOSELM算法 | 第24-31页 |
| 3.3.1 初始离线阶段 | 第25-28页 |
| 3.3.2 在线贯序阶段 | 第28-29页 |
| 3.3.3 算法描述 | 第29-31页 |
| 3.4 仿真实验 | 第31-35页 |
| 3.4.1 UCI数据集 | 第31-32页 |
| 3.4.2 气象数据集 | 第32-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于留一交叉验证的在线极限学习机算法研究 | 第37-51页 |
| 4.1 交叉验证 | 第37-38页 |
| 4.2 PL-OSELM算法 | 第38-42页 |
| 4.2.1 初始离线阶段 | 第38-39页 |
| 4.2.2 在线贯序阶段 | 第39-41页 |
| 4.2.3 算法描述 | 第41-42页 |
| 4.3 理论分析 | 第42-44页 |
| 4.4 仿真实验 | 第44-50页 |
| 4.4.1 UCI数据集 | 第44-47页 |
| 4.4.2 实际气象数据集 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于混合采样策略的在线极限学习机算法研究 | 第51-75页 |
| 5.1 HOS-ELM算法 | 第51-61页 |
| 5.1.1 基本定义 | 第52-53页 |
| 5.1.2 初始离线阶段 | 第53-56页 |
| 5.1.3 在线贯序阶段 | 第56-59页 |
| 5.1.4 快速留一交叉验证 | 第59页 |
| 5.1.5 算法描述 | 第59-61页 |
| 5.2 理论分析 | 第61-64页 |
| 5.3 仿真实验 | 第64-73页 |
| 5.3.1 UCI标准数据集 | 第64-71页 |
| 5.3.2 气象数据集 | 第71-73页 |
| 5.4 本章小结 | 第73-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 攻读学位期间的科研成果 | 第83-84页 |