ELM网络集成研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·背景及意义 | 第9-10页 |
| ·国内外发展状况 | 第10-13页 |
| ·多分类器集成现状 | 第10-11页 |
| ·多分类器动态集成现状 | 第11-13页 |
| ·本文研究内容 | 第13-14页 |
| 第2章 多分类器集成研究 | 第14-27页 |
| ·多分类器集成框架研究 | 第14-15页 |
| ·多分类器动态集成方法研究 | 第15-22页 |
| ·基于近邻规则的动态集成 | 第16-17页 |
| ·聚类准则相关的动态集成方法研究 | 第17-19页 |
| ·基于ELM的集成算法 | 第19-22页 |
| ·多分类器融合研究 | 第22-27页 |
| ·基于模糊积分的多分类器融合方法研究 | 第22-24页 |
| ·基于贝叶斯平均理论的融合研究 | 第24-25页 |
| ·基于证据理论的分类器融合研究 | 第25-27页 |
| 第3章 极限学习器基础知识 | 第27-33页 |
| ·极限学习器简介 | 第27-28页 |
| ·稀疏表示的应用 | 第28-29页 |
| ·单层前馈网络随机隐含层节点 | 第29-31页 |
| ·单层前馈神经网络最小范数最小二乘解 | 第31-32页 |
| ·极限学习器算法 | 第32-33页 |
| 第4章 ELM网络集成的研究 | 第33-53页 |
| ·基于样例熵ELM的动态集成 | 第33-42页 |
| ·样例熵数学定义 | 第33-34页 |
| ·算法流程 | 第34-36页 |
| ·实验结果及分析 | 第36-42页 |
| ·基于模糊积分的ELM融合 | 第42-51页 |
| ·概率神经网络 | 第42-43页 |
| ·模糊积分 | 第43-45页 |
| ·极限学习机与模糊积分融合 | 第45-46页 |
| ·实验结果及分析 | 第46-51页 |
| ·本章小结 | 第51-53页 |
| 第5章 结论与展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间取得的科研成果 | 第60页 |
