基于极限学习机的未知源定位
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外现状 | 第8-9页 |
| 1.3 研究意义 | 第9-10页 |
| 1.4 主要研究内容 | 第10页 |
| 1.5 论文结构安排 | 第10-11页 |
| 第2章 极限学习机理论 | 第11-19页 |
| 2.1 极限学习机算法 | 第11-13页 |
| 2.1.1 极限学习机的组成 | 第11-12页 |
| 2.1.2 极限学习机的算法推导过程 | 第12-13页 |
| 2.2 核极限学习机算法 | 第13-14页 |
| 2.3 序贯极限学习机算法 | 第14-16页 |
| 2.3.1 序贯极限学习机算法简介 | 第14-15页 |
| 2.3.2 序贯学习机算法推导 | 第15-16页 |
| 2.4 算法优缺点 | 第16-18页 |
| 2.4.1 ELM算法优缺点 | 第16-17页 |
| 2.4.2 KELM算法优缺点 | 第17页 |
| 2.4.3 OS-ELM算法优缺点 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 神经网络无线定位相关算法 | 第19-37页 |
| 3.1 神经网络简介 | 第19-20页 |
| 3.2 遗传算法修正的BP神经网络无线定位算法 | 第20-27页 |
| 3.2.1 BP神经网络简介 | 第20-23页 |
| 3.2.2 遗传算法简介 | 第23-25页 |
| 3.2.3 GA-BP定位算法 | 第25-27页 |
| 3.3 RBF神经网络无线定位算法 | 第27-29页 |
| 3.3.1 RBF神经网络简介 | 第27-28页 |
| 3.3.2 RBF定位算法 | 第28-29页 |
| 3.4 极限学习机无线定位算法 | 第29-32页 |
| 3.4.1 ELM定位算法 | 第29-30页 |
| 3.4.2 KELM定位算法 | 第30-31页 |
| 3.4.3 OS-ELM定位算法 | 第31-32页 |
| 3.5 相关算法分析与仿真 | 第32-35页 |
| 3.5.1 数据仿真与参数设置 | 第32-34页 |
| 3.5.2 对比仿真实验 | 第34-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第4章 基于改进核极限学习机的定位算法 | 第37-47页 |
| 4.1 样本采集及分析 | 第37-38页 |
| 4.2 定位算法的实施方案 | 第38-43页 |
| 4.2.1 样本降维—样本子空间降维(SSDR) | 第38-40页 |
| 4.2.2 改进核极限学习机算法 | 第40-41页 |
| 4.2.3 改进核极限学习机定位算法 | 第41-42页 |
| 4.2.4 算法复杂度分析 | 第42-43页 |
| 4.3 算法仿真与分析 | 第43-46页 |
| 4.3.1 仿真场景分析 | 第43-44页 |
| 4.3.2 实验涉及参数设置 | 第44页 |
| 4.3.3 定位结果及分析 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-55页 |
| 发表论文和参与科研情况说明 | 第55-57页 |
| 致谢 | 第57页 |
