| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究的背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 极限学习机原理及研究现状 | 第11-13页 |
| 1.2.2 OS-ELM算法国内外研究现状 | 第13-14页 |
| 1.2.3 优化方法应用于在线序列极限学习机国内外研究现状 | 第14-15页 |
| 1.3 课题研究目的和意义 | 第15页 |
| 1.4 本文主要研究思路及安排 | 第15-17页 |
| 第2章 在线序列极限学习机与优化算法原理 | 第17-30页 |
| 2.1 引言 | 第17页 |
| 2.2 前馈神经网络 | 第17-21页 |
| 2.2.1 广义前馈神经网络SLFNS | 第20-21页 |
| 2.2.2 SLFNS的逼近问题 | 第21页 |
| 2.3 在线序列极限学习机基本原理 | 第21-22页 |
| 2.4 在线序列极限学习机发展 | 第22-26页 |
| 2.5 优化方法基本原理 | 第26-29页 |
| 2.5.1 果蝇优化方法基本原理及流程 | 第26-27页 |
| 2.5.2 萤火虫优化方法基本原理及流程 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 组合核在线序列极限学习机优化方法研究 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 组合核函数的构建 | 第30-34页 |
| 3.2.1 常用核函数的性质定理及归类 | 第30-32页 |
| 3.2.2 基本组合核函数 | 第32-33页 |
| 3.2.3 改进组合核函数构造 | 第33-34页 |
| 3.3 核极限学习机模型 | 第34-35页 |
| 3.4 组合核在线序列极限学习机优化模型(FOS-HKELM) | 第35-37页 |
| 3.4.1 改进果蝇优化方法原理 | 第35-36页 |
| 3.4.2 FOS-HKELM算法步骤 | 第36-37页 |
| 3.5 仿真验证与分析 | 第37-42页 |
| 3.5.1 在双螺旋数据集上的分类证明 | 第37-38页 |
| 3.5.2 在BANANA数据集上的分类测试 | 第38-40页 |
| 3.5.3 标准UCI数据集上的回归验证和参数比较 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于选择性集成萤火虫方法的投票在线序列极限学习机 | 第43-54页 |
| 4.1 引言 | 第43页 |
| 4.2 选择性集成学习方法 | 第43页 |
| 4.3 基于萤火虫优化方法的选择性集成学习步骤 | 第43-47页 |
| 4.4 基于选择性集成萤火虫方法的投票在线序列极限学习机模型 | 第47-48页 |
| 4.5 仿真验证与分析 | 第48-53页 |
| 4.5.1 数据准备与仿真 | 第48-52页 |
| 4.5.2 实验分析 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第60页 |
