基于误差矢量化的选择性神经网络集成方法的研究与应用
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 绪论 | 第14-26页 |
| ·课题来源及意义 | 第14页 |
| ·课题研究的主要内容 | 第14-15页 |
| ·本文应用的主要理论基础 | 第15-16页 |
| ·神经网络的背景 | 第16-17页 |
| ·BP 网络 | 第17-20页 |
| ·BP 训练算法 | 第18-19页 |
| ·BP 算法的不足及改进措施 | 第19页 |
| ·BP 算法的具体操作及参数设置 | 第19-20页 |
| ·神经网络集成 | 第20-25页 |
| ·神经网络集成提出背景 | 第20页 |
| ·神经网络集成原理 | 第20-22页 |
| ·神经网络集成研究现状 | 第22-24页 |
| ·选择性集成 | 第24-25页 |
| ·本文的结构 | 第25-26页 |
| 第二章 基于误差矢量化的选择性神经网络集成 | 第26-36页 |
| ·误差矢量化 | 第26-31页 |
| ·差异度定义 | 第26-29页 |
| ·集成规模对精度的影响 | 第29-30页 |
| ·子网选择方法 | 第30-31页 |
| ·基于误差矢量化的集成方法 EVSNE | 第31-35页 |
| ·优化目标调整 | 第31-33页 |
| ·子网训练过程 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 EVSNE集成算法标准数据实验 | 第36-52页 |
| ·标准数据集 | 第36-37页 |
| ·参数确定 | 第37-42页 |
| ·交叉验证方法 | 第37-38页 |
| ·惩罚项系数 | 第38-40页 |
| ·子网个数确定 | 第40-42页 |
| ·算法比较 | 第42-51页 |
| ·Bagging 方法介绍 | 第42-43页 |
| ·实验具体步骤 | 第43页 |
| ·实验结果 | 第43-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 EVSNE算法的改进 | 第52-60页 |
| ·EVSNE 与 Bagging 算法相结合 | 第52-55页 |
| ·EVSNE 与聚类算法相结合 | 第55-56页 |
| ·k-means 算法 | 第55-56页 |
| ·训练集生成 | 第56页 |
| ·算法具体操作 | 第56页 |
| ·实验结果 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 算法在HDPE工业建模中的应用 | 第60-64页 |
| ·HDPE 生产过程 | 第60-61页 |
| ·HDPE 工艺简介 | 第60-61页 |
| ·HDPE 工业建模 | 第61页 |
| ·实验结果 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·总结 | 第64-65页 |
| ·展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 研究成果及发表的学术论文 | 第70-71页 |
| 导师和作者简介 | 第71-72页 |
| 硕士研究生学位论文答辩委员会决议书 | 第72-73页 |
