| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 论文研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 论文的主要研究内容 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 第2章 传统的极限学习机和带钢数据预处理 | 第20-30页 |
| 2.1 单隐层前馈神经网络 | 第20-24页 |
| 2.1.1 人工神经网络模型 | 第20-21页 |
| 2.1.2 单隐层前馈神经网络的结构 | 第21-22页 |
| 2.1.3 单隐层前馈神经网络的优缺点 | 第22-24页 |
| 2.2 极限学习机 | 第24-28页 |
| 2.2.1 极限学习机的网络构成 | 第24-25页 |
| 2.2.2 极限学习机的主要思想 | 第25-26页 |
| 2.2.3 极限学习机的算法流程 | 第26-28页 |
| 2.2.4 极限学习机存在的问题 | 第28页 |
| 2.3 数据预处理 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 一种Sym-ELM预测算法 | 第30-41页 |
| 3.1 Symmetric改进ELM问题的提出 | 第30-31页 |
| 3.2 对称性思想改进的极限学习机 | 第31-33页 |
| 3.2.1 对称性先验知识思想 | 第31-32页 |
| 3.2.2 对称性优化的极限学习机 | 第32页 |
| 3.2.3 对称极限学习机的可行性证明 | 第32-33页 |
| 3.3 主成分分析与极限学习机相结合的思想 | 第33-39页 |
| 3.3.1 主成分分析的基本思想 | 第34-35页 |
| 3.3.2 主成分分析的流程 | 第35-37页 |
| 3.3.3 主成分分析思想与极限学习机的结合 | 第37-39页 |
| 3.4 本章小节 | 第39-41页 |
| 第4章 一种SLFASym-ELM预测算法 | 第41-54页 |
| 4.1 SFLA改进ELM问题的提出 | 第41页 |
| 4.2 基本的SFLA算法思想 | 第41-46页 |
| 4.2.1 SFLA算法的组成要素及其模型 | 第43-45页 |
| 4.2.2 SFLA算法的参数设置和终止条件 | 第45-46页 |
| 4.3 SFLASym-ELM的基本思想 | 第46-47页 |
| 4.4 SFLASym-ELM的算法流程 | 第47-51页 |
| 4.5 SFLASym-ELM的带钢预测模型 | 第51-53页 |
| 4.6 本章小节 | 第53-54页 |
| 第5章 实验结果及分析 | 第54-66页 |
| 5.1 数据预处理 | 第54-60页 |
| 5.1.1 实验数据的处理 | 第54-56页 |
| 5.1.2 PCA选择主因素 | 第56-60页 |
| 5.2 SFLASym-ELM隐含层节点数的确定 | 第60-61页 |
| 5.3 随机蛙跳优化的对称极限学习机预测算法SFLASym-ELM实验 | 第61-65页 |
| 5.3.1 算法评价标准 | 第61-62页 |
| 5.3.2 实验结果 | 第62-64页 |
| 5.3.3 实验分析 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-69页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读学位期间参加科研情况 | 第73页 |