| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 人工神经网络的研究现状 | 第9-10页 |
| 1.2.2 随机投影的研究现状 | 第10页 |
| 1.3 本文研究内容 | 第10-11页 |
| 1.4 本文章节结构 | 第11-12页 |
| 第二章 极限学习机概述 | 第12-16页 |
| 2.1 极限学习机的基本思想 | 第12-14页 |
| 2.2 极限学习机分类算法 | 第14页 |
| 2.3 极限学习机的定理 | 第14-15页 |
| 2.4 隐层激活函数的选择 | 第15页 |
| 2.5 本章小结 | 第15-16页 |
| 第三章 随机投影 | 第16-19页 |
| 3.1 引言 | 第16页 |
| 3.2 随机投影的数学描述 | 第16-18页 |
| 3.3 随机投影的性质证明 | 第18页 |
| 3.4 本章小结 | 第18-19页 |
| 第四章 单隐层RandPG网络 | 第19-34页 |
| 4.1 引言 | 第19页 |
| 4.2 PG网络 | 第19-21页 |
| 4.3 RandPG网络 | 第21-23页 |
| 4.3.1 网络结构 | 第21-22页 |
| 4.3.2 网络的学习过程 | 第22-23页 |
| 4.4 网络的性质定理 | 第23-24页 |
| 4.4.1 全局逼近能力 | 第23-24页 |
| 4.4.2 分类能力 | 第24页 |
| 4.5 实验结果与分析 | 第24-33页 |
| 4.5.1 分类实验 | 第24-32页 |
| 4.5.1.1 人工数据集 | 第25-28页 |
| 4.5.1.2 UCI数据集 | 第28-29页 |
| 4.5.1.3 网络流数据集 | 第29-32页 |
| 4.5.2 回归实验 | 第32-33页 |
| 4.6 本章小结 | 第33-34页 |
| 第五章 双隐层RandPG网络 | 第34-39页 |
| 5.1 算法基本原理 | 第34-35页 |
| 5.2 算法流程 | 第35-36页 |
| 5.3 实验结果与分析 | 第36-38页 |
| 5.3.1 分类实验 | 第36-37页 |
| 5.3.2 回归实验 | 第37-38页 |
| 5.4 本章小结 | 第38-39页 |
| 第六章 卷积神经网络和RandPG相结合的图像识别方法 | 第39-48页 |
| 6.1 引言 | 第39页 |
| 6.2 卷积神经网络的结构 | 第39-44页 |
| 6.2.1 卷积层 | 第40-41页 |
| 6.2.2 池化层 | 第41-42页 |
| 6.2.3 激励层 | 第42-44页 |
| 6.3 卷积神经网络和RandPG相结合的图像识别方法 | 第44-46页 |
| 6.4 实验结果与分析 | 第46-47页 |
| 6.5 本章小结 | 第47-48页 |
| 第七章 总结与展望 | 第48-49页 |
| 7.1 本文总结 | 第48页 |
| 7.2 研究展望 | 第48-49页 |
| 攻读学位期间发表的学术论文 | 第49-50页 |
| 参考文献 | 第50-54页 |