| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 问题的背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究工作 | 第11-12页 |
| 1.4 本文结构安排 | 第12-13页 |
| 第二章 超限学习机概述 | 第13-21页 |
| 2.1 超限学习机算法 | 第13-16页 |
| 2.1.1 超限学习机的网络结构 | 第13-14页 |
| 2.1.2 超限学习机的求解方法 | 第14-15页 |
| 2.1.3 超限学习机的理论分析 | 第15-16页 |
| 2.2 超限学习机与其它神经网络的联系 | 第16-20页 |
| 2.2.1 超限学习机与基于反向传播的单隐层神经网络 | 第16-17页 |
| 2.2.2 超限学习机与支持向量网络 | 第17-18页 |
| 2.2.3 超限学习机与其它随机神经网络 | 第18-19页 |
| 2.2.4 超限学习机与卷积神经网络 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 稀疏的启发式超限学习机 | 第21-41页 |
| 3.1 稀疏的启发式超限学习机模型 | 第21-23页 |
| 3.2 基于SSF的求解方法 | 第23-28页 |
| 3.3 实验过程及数据分析 | 第28-39页 |
| 3.3.1 实验数据 | 第28-29页 |
| 3.3.2 比较方法和参数选择 | 第29-32页 |
| 3.3.3 实验结果与分析 | 第32-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于L0范数和L1范数稀疏的超限学习机 | 第41-55页 |
| 4.1 基于L0范数和L1范数稀疏的超限学习机模型 | 第41-46页 |
| 4.1.1 贝叶斯推导 | 第41-43页 |
| 4.1.2 稀疏性解释 | 第43-46页 |
| 4.2 基于SSF的求解方法 | 第46-50页 |
| 4.3 实验过程与数据分析 | 第50-54页 |
| 4.3.1 实验过程 | 第50-51页 |
| 4.3.2 实验结果与分析 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于超限学习机的聚类算法研究 | 第55-75页 |
| 5.1 基于超限学习机的聚类算法 | 第55-59页 |
| 5.1.1 聚类算法概述 | 第55-57页 |
| 5.1.2 基于超限学习机的聚类模型 | 第57-59页 |
| 5.2 交叉迭代求解方法 | 第59-62页 |
| 5.3 实验过程及数据分析 | 第62-73页 |
| 5.3.1 实验数据 | 第62-63页 |
| 5.3.2 比较方法与参数选择 | 第63-64页 |
| 5.3.3 实验结果与分析 | 第64-71页 |
| 5.3.4 初始目标矩阵的讨论 | 第71-73页 |
| 5.4 本章小结 | 第73-75页 |
| 总结与展望 | 第75-77页 |
| 全文总结 | 第75页 |
| 未来展望 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 附件 | 第84页 |