| 提要 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 神经网络分类方法的研究现状及评述 | 第15-21页 |
| 1.3 主要研究内容 | 第21-23页 |
| 1.4 论文组织结构 | 第23-24页 |
| 第2章 相关知识介绍 | 第24-42页 |
| 2.1 人工神经网络概述 | 第24-28页 |
| 2.1.1 人工神经网络的定义 | 第24页 |
| 2.1.2 神经元的结构 | 第24-25页 |
| 2.1.3 人工神经网络的发展历程 | 第25-26页 |
| 2.1.4 神经网络的分类及学习方法 | 第26-27页 |
| 2.1.5 神经网络分类的优点 | 第27-28页 |
| 2.2 前馈型神经网络模型 | 第28-29页 |
| 2.3 极限学习机模型 | 第29-40页 |
| 2.3.1 极限学习机的理论基础 | 第30-33页 |
| 2.3.2 极限学习机的分类原理 | 第33-37页 |
| 2.3.3 极限学习机的研究现状 | 第37-40页 |
| 2.4 分类性能评估方法 | 第40-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第3章 基于人工蜂群算法的极限学习机优化分类模型 | 第42-80页 |
| 3.1 基于原始人工蜂群算法的极限学习机优化分类模型 | 第42-58页 |
| 3.1.1 人工蜂群算法 | 第44-45页 |
| 3.1.2 人工蜂群算法数学描述 | 第45-47页 |
| 3.1.3 ABC-ELM 分类模型 | 第47-50页 |
| 3.1.4 实验设置 | 第50-52页 |
| 3.1.5 实验结果和讨论 | 第52-57页 |
| 3.1.6 本节小结 | 第57-58页 |
| 3.2 基于自适应人工蜂群算法的多核极限学习机分类模型 | 第58-77页 |
| 3.2.1 自适应人工蜂群算法(SABC) | 第59-61页 |
| 3.2.2 多核激活函数(Multi-Kernel Active Function) | 第61-63页 |
| 3.2.3 SABC-KELM 分类算法 | 第63-65页 |
| 3.2.4 实验设计 | 第65-77页 |
| 3.3 本章小结 | 第77-80页 |
| 第4章 集成特征提取和优化极限学习机的医疗诊断模型 | 第80-96页 |
| 4.1 基于极限学习机的甲状腺疾病混合诊断模型 | 第81-82页 |
| 4.2 局部 FISHER 判别分析(LFDA) | 第82-84页 |
| 4.3 改进的人工蜂群算法(IABC) | 第84-86页 |
| 4.4 提出的 LFDA-EKELM 模型 | 第86-88页 |
| 4.5 实验设计 | 第88-90页 |
| 4.5.1 数据描述 | 第88-90页 |
| 4.5.2 实验设置 | 第90页 |
| 4.6 实验结果与讨论 | 第90-95页 |
| 4.7 本章小结 | 第95-96页 |
| 第5章 结合减聚类加权和核极限学习机的医疗诊断模型 | 第96-116页 |
| 5.0 减聚类特征加权方法(SCFW) | 第97-99页 |
| 5.1 优化 SCFW 算法(ASCFW) | 第99-100页 |
| 5.2 提出的 ASCFW-KELM 模型 | 第100-102页 |
| 5.3 实验设计 | 第102-104页 |
| 5.3.1 数据描述 | 第102-103页 |
| 5.3.2 实验设置 | 第103-104页 |
| 5.4 实验结果与讨论 | 第104-114页 |
| 5.4.1 实验一：无 ASCFW 算法的核 ELM 模型 | 第104-105页 |
| 5.4.2 实验二：ASCFW-KELM 模型 | 第105-112页 |
| 5.4.3 实验三：在其它数据集上的性能测试 | 第112-114页 |
| 5.5 本章小结 | 第114-116页 |
| 第6章 基于改进引力搜索算法优化极限学习机的分类模型 | 第116-134页 |
| 6.1 HOOKE-JEEVES 模式搜索法 | 第117页 |
| 6.2 引力搜索算法 | 第117-121页 |
| 6.2.1 原始引力搜索算法(GSA) | 第117-120页 |
| 6.2.2 改进的引力搜索算法(IGSA) | 第120-121页 |
| 6.3 IGSA-KELM 模型 | 第121-124页 |
| 6.4 实验设计 | 第124-126页 |
| 6.4.1 数据集描述 | 第124-126页 |
| 6.4.2 实验方案 | 第126页 |
| 6.4.3 实验设置 | 第126页 |
| 6.5 实验结果和讨论 | 第126-132页 |
| 6.5.1 实验一：未进行特征选择的 IGSA-KELM 模型 | 第126-128页 |
| 6.5.2 实验二：同步优化特征子集和参数的 IGSA-KELM 模型 | 第128-131页 |
| 6.5.3 实验三：基于 IGSA-KELM 模型的信贷风险评估 | 第131-132页 |
| 6.6 本章小结 | 第132-134页 |
| 第7章 总结与展望 | 第134-138页 |
| 7.1 论文内容总结 | 第134-135页 |
| 7.2 下一步工作 | 第135-138页 |
| 参考文献 | 第138-156页 |
| 作者简介及在学期间所取得的科研成果 | 第156-158页 |
| 致谢 | 第158页 |
