| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 表格 | 第11-13页 |
| 插图 | 第13-21页 |
| 1 绪论 | 第21-39页 |
| 1.1 机器学习 | 第21-23页 |
| 1.2 统计学习理论 | 第23-25页 |
| 1.3 极限学习机 | 第25-31页 |
| 1.4 极限学习机的研究现状 | 第31-35页 |
| 1.4.1 ELM算法的研究 | 第32-33页 |
| 1.4.2 ELM应用的研究 | 第33页 |
| 1.4.3 现有研究工作中的不足 | 第33-35页 |
| 1.5 本文的研究内容和体系结构 | 第35-39页 |
| 2 极限学习机与支持向量机的比较研究 | 第39-57页 |
| 2.1 引言 | 第39-40页 |
| 2.2 支持向量机 | 第40-42页 |
| 2.3 极限学习机与支持向量机的比较研究 | 第42-56页 |
| 2.3.1 回归情形下的等价性分析 | 第42-43页 |
| 2.3.2 关于VC维的比较 | 第43-47页 |
| 2.3.3 不同训练样本规模下泛化性能的比较 | 第47-55页 |
| 2.3.4 计算复杂性的实验比较 | 第55-56页 |
| 2.4 本章小结 | 第56-57页 |
| 3 极限学习机的模型选择方法研究 | 第57-81页 |
| 3.1 引言 | 第57-58页 |
| 3.2 极限学习机的快速留一交叉验证算法 | 第58-67页 |
| 3.2.1 回归情形 | 第58-62页 |
| 3.2.2 分类情形 | 第62-63页 |
| 3.2.3 数值仿真 | 第63-67页 |
| 3.3 基于VC泛化界的极限学习机模型选择方法 | 第67-78页 |
| 3.3.1 基于经典统计方法的模型选择标准 | 第67-69页 |
| 3.3.2 基于VC理论的极限学习机模型复杂性控制 | 第69-70页 |
| 3.3.3 数值仿真 | 第70-78页 |
| 3.4 结论 | 第78-81页 |
| 4 距离保持极限学习机算法 | 第81-101页 |
| 4.1 引言 | 第81-82页 |
| 4.2 ELM随机特征映射的距离保持能力分析 | 第82-87页 |
| 4.2.1 ELM随机特征映射的两阶段划分 | 第82-83页 |
| 4.2.2 基于Johnson-Lindenstrauss定理的分析 | 第83-85页 |
| 4.2.3 基于仿真实验的分析 | 第85-87页 |
| 4.3 非线性扭曲阶段的分析 | 第87-89页 |
| 4.4 距离保持随机投影学习算法 | 第89-92页 |
| 4.5 DP-ELM算法性能的实验测试 | 第92-98页 |
| 4.5.1 泛化性能分析 | 第93-95页 |
| 4.5.2 投影随机性对算法稳定性的影响 | 第95-96页 |
| 4.5.3 随机特征维数的确定 | 第96-97页 |
| 4.5.4 时间复杂度分析 | 第97-98页 |
| 4.6 DP-ELM算法的进一步讨论 | 第98-99页 |
| 4.7 本章小结 | 第99-101页 |
| 5 融合先验知识的极限学习机算法 | 第101-125页 |
| 5.1 引言 | 第101-102页 |
| 5.2 基于拓扑结构改进的对称极限学习机算法 | 第102-114页 |
| 5.2.1 关于对称性先验信息融合的相关研究现状 | 第102-103页 |
| 5.2.2 对称极限学习机算法 | 第103-105页 |
| 5.2.3 人工数据上的仿真实验 | 第105-110页 |
| 5.2.4 混沌时间序列上的仿真实验 | 第110-114页 |
| 5.3 融合线性等式先验信息的极限学习机算法 | 第114-123页 |
| 5.3.1 关于特定样本点的先验信息 | 第115-117页 |
| 5.3.2 关于导数的先验信息 | 第117-121页 |
| 5.3.3 输出函数间的先验信息 | 第121-123页 |
| 5.4 本章小结 | 第123-125页 |
| 6 ELM算法框架下的高炉冶炼过程数学模型研究 | 第125-155页 |
| 6.1 高炉冶炼过程简介 | 第125-129页 |
| 6.1.1 高炉冶炼过程的数学模型研究简述 | 第126-128页 |
| 6.1.2 烧结矿化学成分的数学模型研究简述 | 第128-129页 |
| 6.2 基于ELM的高炉铁水硅含量数值预测 | 第129-141页 |
| 6.2.1 实际生产数据的分析与处理 | 第130-133页 |
| 6.2.2 基于标准ELM的数值预测 | 第133-136页 |
| 6.2.3 基于DP-ELM的数值预测 | 第136-138页 |
| 6.2.4 算法比较 | 第138-141页 |
| 6.3 基于ELM概率输出算法的高炉铁水硅含量趋势预测 | 第141-146页 |
| 6.3.1 ELM分类器输出的后验概率属性 | 第141-143页 |
| 6.3.2 基于ELM概率输出算法的趋势建模 | 第143-146页 |
| 6.4 融合领域知识的烧结矿化学成分建模 | 第146-153页 |
| 6.4.1 烧结过程领域知识的挖掘 | 第147-149页 |
| 6.4.1.1 基于物料平衡的机理知识 | 第147页 |
| 6.4.1.2 关于烧结矿成分相关性的经验知识 | 第147-149页 |
| 6.4.2 领域知识在ELM算法中的融合 | 第149页 |
| 6.4.3 实验结果和分析 | 第149-153页 |
| 6.4.3.1 输入输出变量 | 第150页 |
| 6.4.3.2 数据处理 | 第150-151页 |
| 6.4.3.3 仿真结果与分析 | 第151-153页 |
| 6.5 本章小结 | 第153-155页 |
| 7 基于留一误差梯度的DP-ELM特征伸缩算法及其在高炉冶炼过程建模中的应用 | 第155-171页 |
| 7.1 引言 | 第155-157页 |
| 7.2 DP-ELM的留一交叉验证误差 | 第157-158页 |
| 7.3 基于留一误差梯度的特征伸缩DP-ELM算法 | 第158-162页 |
| 7.3.1 带特征伸缩因子的DP-ELM算法 | 第158-159页 |
| 7.3.2 FS-DPELM的留一误差梯度 | 第159-162页 |
| 7.4 基于FS-DPELM的高炉铁水硅含量预测模型 | 第162-165页 |
| 7.4.1 模型的训练 | 第162-164页 |
| 7.4.2 仿真结果与分析 | 第164-165页 |
| 7.5 基于FS-DPELM的烧结矿化学成分预测模型 | 第165-167页 |
| 7.5.1 模型的训练 | 第166页 |
| 7.5.2 仿真结果与分析 | 第166-167页 |
| 7.6 关于特征伸缩因子的进一步讨论 | 第167-170页 |
| 7.6.1 变量重要性的分析 | 第167-169页 |
| 7.6.2 特征选择 | 第169-170页 |
| 7.7 本章小结 | 第170-171页 |
| 8 总结与展望 | 第171-175页 |
| 8.1 研究工作总结 | 第171-173页 |
| 8.2 研究工作展望 | 第173-175页 |
| 参考文献 | 第175-187页 |
| 作者攻读博士学位期间取得的科研成果 | 第187页 |
