声明
致谢
摘要
表格
插图
1 绪论
1.1 机器学习
1.2 统计学习理论
1.3 极限学习机
1.4 极限学习机的研究现状
1.4.1 ELM算法的研究
1.4.2 ELM应用的研究
1.4.3 现有研究工作中的不足
1.5 本文的研究内容和体系结构
2 极限学习机与支持向量机的比较研究
2.1 引言
2.2 支持向量机
2.3 极限学习机与支持向量机的比较研究
2.3.1 回归情形下的等价性分析
2.3.2 关于VC维的比较
2.3.3 不同训练样本规模下泛化性能的比较
2.3.4 计算复杂性的实验比较
2.4 本章小结
3 极限学习机的模型选择方法研究
3.1 引言
3.2 极限学习机的快速留一交叉验证算法
3.2.1 回归情形
3.2.2 分类情形
3.2.3 数值仿真
3.3 基于VC泛化界的极限学习机模型选择方法
3.3.1 基于经典统计方法的模型选择标准
3.3.2 基于VC理论的极限学习机模型复杂性控制
3.3.3 数值仿真
3.4 结论
4 距离保持极限学习机算法
4.1 引言
4.2 ELM随机特征映射的距离保持能力分析
4.2.1 ELM随机特征映射的两阶段划分
4.2.2 基于Johnson-Lindenstrauss定理的分析
4.2.3 基于仿真实验的分析
4.3 非线性扭曲阶段的分析
4.4 距离保持随机投影学习算法
4.5 DP-ELM算法性能的实验测试
4.5.1 泛化性能分析
4.5.2 投影随机性对算法稳定性的影响
4.5.3 随机特征维数的确定
4.5.4 时间复杂度分析
4.6 DP-ELM算法的进一步讨论
4.7 本章小结
5 融合先验知识的极限学习机算法
5.1 引言
5.2 基于拓扑结构改进的对称极限学习机算法
5.2.1 关于对称性先验信息融合的相关研究现状
5.2.2 对称极限学习机算法
5.2.3 人工数据上的仿真实验
5.2.4 混沌时间序列上的仿真实验
5.3 融合线性等式先验信息的极限学习机算法
5.3.1 关于特定样本点的先验信息
5.3.2 关于导数的先验信息
5.3.3 输出函数间的先验信息
5.4 本章小结
6 ELM算法框架下的高炉冶炼过程数学模型研究
6.1 高炉冶炼过程简介
6.1.1 高炉冶炼过程的数学模型研究简述
6.1.2 烧结矿化学成分的数学模型研究简述
6.2 基于ELM的高炉铁水硅含量数值预测
6.2.1 实际生产数据的分析与处理
6.2.2 基于标准ELM的数值预测
6.2.3 基于DP-BLM的数值预测
6.2.4 算法比较
6.3 基于ELM概率输出算法的高炉铁水硅含量趋势预测
6.3.1 ELM分类器输出的后验概率属性
6.3.2 基于ELM概率输出算法的趋势建模
6.4 融合领域知识的烧结矿化学成分建模
6.4.1 烧结过程领域知识的挖掘
6.4.2 领域知识在ELM算法中的融合
6.4.3 实验结果和分析
6.5 本章小结
7 基于留一误差梯度的DP-ELM特征伸缩算法及其在高炉冶炼过程建模中的应用
7.1 引言
7.2 DP-ELM的留一交叉验证误差
7.3 基于留一误差梯度的特征伸缩DP-ELM算法
7.3.1 带特征伸缩因子的DP-ELM算法
7.3.2 FS-DPELM的留一误差梯度
7.4 基于FS-DPELM的高炉铁水硅含量预测模型
7.4.1 模型的训练
7.4.2 仿真结果与分析
7.5 基于FS-DPELM的烧结矿化学成分预测模型
7.5.1 模型的训练
7.5.2 仿真结果与分析
7.6 关于特征伸缩因子的迸一步讨论
7.6.1 变量重要性的分析
7.6.2 特征选择
7.7 本章小结
8 总结与展望
8.1 研究工作总结
8.2 研究工作展望
参考文献
作者攻读博士学位期间取得的科研成果
浙江大学;
极限学习机算法; Johnson-Lindenstrauss定理; 泛化性能; 随机投影; 高炉冶炼过程; 冗余变量敏感;