| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-19页 |
| ·课题的研究背景及意义 | 第8-9页 |
| ·多元时间序列相关性分析与变量选择的研究进展与现状 | 第9-14页 |
| ·多元时间序列相关性分析 | 第10-11页 |
| ·多元时间序列变量选择 | 第11-14页 |
| ·基于互信息的变量选择方法 | 第14-18页 |
| ·论文主要内容及结构 | 第18-19页 |
| 2 互信息分步式变量选择算法 | 第19-27页 |
| ·基于K-近邻互信息估计的分步式变量选择算法 | 第19-22页 |
| ·κ-近邻互信息估计 | 第19-20页 |
| ·分步式变量选择算法 | 第20-22页 |
| ·分步式算法用于RBF网络隐层节点选择 | 第22-23页 |
| ·仿真实例分析 | 第23-26页 |
| ·Friedman数据变量选择 | 第24-25页 |
| ·Gas furnace多元时间序列变量选择及预测建模 | 第25-26页 |
| ·小结 | 第26-27页 |
| 3 基于互信息变量选择的极端学习机算法 | 第27-35页 |
| ·极端学习机实现机理 | 第27-28页 |
| ·基于互信息的极端学习机算法 | 第28-29页 |
| ·仿真实例分析 | 第29-34页 |
| ·多元时间序列数据仿真结果 | 第30-32页 |
| ·多变量标杆数据仿真结果 | 第32-34页 |
| ·小结 | 第34-35页 |
| 4 基于Copula熵的互信息估计及在变量选择中的应用 | 第35-49页 |
| ·互信息与Copula熵的关系 | 第35-36页 |
| ·基于Copula熵的参数互信息估计方法 | 第36-40页 |
| ·Copula熵用于二维互信息估计 | 第36-38页 |
| ·二维变量仿真实例分析 | 第38-40页 |
| ·基于Copula熵的非参数互信息估计方法 | 第40-48页 |
| ·截断k近邻互信息估计 | 第40-42页 |
| ·高维变量仿真实例分析 | 第42-45页 |
| ·变量选择仿真实例分析 | 第45-48页 |
| ·小结 | 第48-49页 |
| 5 基于类可分离性的多元时间序列变量选择 | 第49-58页 |
| ·基于互信息的多元时间序列特征提取 | 第49-50页 |
| ·基于类可分离性和变量可分离性的变量选择算法 | 第50-52页 |
| ·仿真实例分析 | 第52-57页 |
| ·UCI脑电信号分类结果比较 | 第52-55页 |
| ·算法性能分析 | 第55-57页 |
| ·小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间参与项目情况 | 第64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-65页 |
| 致谢 | 第65-66页 |
