| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文研究内容和组织结构 | 第12-14页 |
| 第二章 极限学习机与在线序列极限学习机 | 第14-22页 |
| 2.1 极限学习机 | 第14-16页 |
| 2.1.1 ELM理论模型 | 第14-16页 |
| 2.1.2 ELM训练步骤 | 第16页 |
| 2.2 在线序列极限学习机 | 第16-21页 |
| 2.2.1 OS-ELM理论模型 | 第17-19页 |
| 2.2.2 OS-ELM训练过程 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 快速序列极限学习机 | 第22-32页 |
| 3.1 输出权值的迭代计算 | 第22-23页 |
| 3.2 算法流程 | 第23-25页 |
| 3.3 实验结果与分析 | 第25-30页 |
| 3.3.1 三种算法在回归分析和数据分类中的表现 | 第26-28页 |
| 3.3.2 各阶段采用不同数据量数据的表现 | 第28-30页 |
| 3.4 本章小结 | 第30-32页 |
| 第四章 基于剪枝法优化的FS-ELM | 第32-39页 |
| 4.1 增长法与剪枝法确定隐层节点数量 | 第32-33页 |
| 4.2 基于剪枝算法的FS-ELM | 第33-37页 |
| 4.2.1 基于剪枝算法的FS-ELM理论分析 | 第33-34页 |
| 4.2.2 基于剪枝算法的FS-ELM算法流程 | 第34-37页 |
| 4.3 基于剪枝算法的FS-ELM模型分析 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 基于Map-Reduce框架的分布式FS-ELM | 第39-45页 |
| 5.1 Map-Reduce框架 | 第39-40页 |
| 5.2 分布式FS-ELM | 第40-42页 |
| 5.2.1 分布式FS-ELM理论推导 | 第40-41页 |
| 5.2.2 分布式FS-ELM算法描述 | 第41-42页 |
| 5.3 实验结果与分析 | 第42-43页 |
| 5.4 本章小结 | 第43-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 6.1 总结 | 第45页 |
| 6.2 展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 附录A 攻读硕士学位期间发表论文 | 第51页 |