| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 极限学习机研究现状 | 第10-12页 |
| 1.2.2 基于稳健性改进的极限学习机国内外研究现状 | 第12页 |
| 1.3 本文的研究内容和组织结构 | 第12-14页 |
| 第2章 极限学习机理论知识 | 第14-24页 |
| 2.1 极限学习机原理及算法描述 | 第14-18页 |
| 2.1.1 极限学习机理论 | 第15-18页 |
| 2.2 岭回归极限学习机 | 第18-19页 |
| 2.2.1 岭回归原理 | 第18-19页 |
| 2.2.2 岭回归极限学习机 | 第19页 |
| 2.3 主成分极限学习机 | 第19-22页 |
| 2.3.1 主成分估计方法原理 | 第19-21页 |
| 2.3.2 基于主成分估计的极限学习机 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于条件指数和方差分解比的ELM回归方法 | 第24-33页 |
| 3.1 条件指数和方差分解比 | 第24-26页 |
| 3.2 基于条件指数和方差分解比的极限学习机 | 第26-29页 |
| 3.3 CV-ELM的算法表现 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 集成CV-ELM回归方法 | 第33-43页 |
| 4.1 集成学习方法 | 第33-37页 |
| 4.1.1 集成学习方法的背景 | 第33-34页 |
| 4.1.2 集成学习理论基础 | 第34-37页 |
| 4.2 基于集成学习的CV-ELM回归算法 | 第37-38页 |
| 4.3 ECV-ELM算法表现 | 第38-41页 |
| 4.3.1 两种算法在回归分析中的表现 | 第39-40页 |
| 4.3.2 采用不同参数的算法表现 | 第40-41页 |
| 4.4 本章总结 | 第41-43页 |
| 第5章 总结与展望 | 第43-45页 |
| 5.1 全文总结 | 第43页 |
| 5.2 展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 附录A (攻读硕士学位期间的研究成果) | 第49页 |