| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-16页 |
| 1.1 极限学习机的发展和应用 | 第9-11页 |
| 1.2 集成学习的发展方向 | 第11-12页 |
| 1.3 利用基于集成学习的极限学习机解决极限学习机鲁棒性问题 | 第12-13页 |
| 1.4 高维度混杂数据条件下利用 LARSEN-ELM 解决极限学习机鲁棒性问题 | 第13-14页 |
| 1.5 本文工作和内容安排 | 第14-16页 |
| 2 极限学习机（ELM） | 第16-32页 |
| 2.1 ELM 的产生的背景和定义 | 第16-17页 |
| 2.2 ELM 的理论模型 | 第17-19页 |
| 2.3 ELM 的性能评估和讨论 | 第19-25页 |
| 2.3.1 人造例子，近似含有噪声的‘SinC’函数 | 第20-22页 |
| 2.3.2 真实回归问题的例子 | 第22-25页 |
| 2.4 基于最优剪枝的极限学习机的理论模型 | 第25-27页 |
| 2.4.1 变量选择 | 第26页 |
| 2.4.2 极限学习机 | 第26页 |
| 2.4.3 最小角度回归算法 | 第26-27页 |
| 2.4.4 Leave-One-Out 算法（LOO） | 第27页 |
| 2.5 基于最优剪枝的极限学习机的性能评估和讨论 | 第27-29页 |
| 2.5.1 Sine 函数实验 | 第27-28页 |
| 2.5.2 UCI 数据库实验 | 第28-29页 |
| 2.6 本章总结与讨论 | 第29-32页 |
| 3 集成学习方法 | 第32-39页 |
| 3.1 集成学习方法的背景 | 第32-33页 |
| 3.2 集成学习理论基础 | 第33-38页 |
| 3.2.1 Regression 集成学习 | 第33-36页 |
| 3.2.2 classification 集成学习 | 第36-38页 |
| 3.3 本章总结 | 第38-39页 |
| 4 基于集成学习的极限学习机 | 第39-54页 |
| 4.1 基于均值集成的最优剪枝极限学习机 | 第39-45页 |
| 4.1.1 前后向选择 | 第40页 |
| 4.1.2 最优剪枝学习机 | 第40-41页 |
| 4.1.3 均值集成 | 第41-42页 |
| 4.1.4 实验验证 EOP-ELM | 第42-45页 |
| 4.2 基于自适应动态集成的最优剪枝极限学习机 | 第45-53页 |
| 4.2.1 自适应集成模式 | 第46-47页 |
| 4.2.2 实验验证 AEOP-ELM | 第47-53页 |
| 4.3 本章总结 | 第53-54页 |
| 5 基于 LARS 算法的选择性集成 | 第54-72页 |
| 5.1 LARSEN-ELM 原理介绍 | 第56-63页 |
| 5.1.1 LARS 选择性算法 | 第56-58页 |
| 5.1.2 基于遗传算法的选择性集成 | 第58-60页 |
| 5.1.3 LARSEN-ELM 算法 | 第60-63页 |
| 5.2 验证 LARSEN-ELM 在高维混杂数据条件的鲁棒性表现 | 第63-70页 |
| 5.2.1 在一维噪声变量干扰下的一个叠加的 Sine 函数 | 第63-65页 |
| 5.2.2 四组来自 UCI 数据库的数据集 | 第65-70页 |
| 5.3 本章总结 | 第70-72页 |
| 6 总结展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 个人简历 | 第77-78页 |
| 攻读硕士期间发表的学士论文与研究成果 | 第78-79页 |
