更新时间：2020-09-11 18:04:19
封面
版权页
内容提要
前言
第1章 绪论
1.1 引言
1.2 ELM研究背景
1.3 ELM概念与内涵
1.3.1 快速前馈神经网络
1.3.2 通用机器学习单元
1.3.3 可信生物学习机制
1.4 ELM的发展历程
1.4.1 第一阶段（2006—2010年）：新型神经网络结构与理论
1.4.2 第二阶段（2011—2015年）：通用学习模型构建与解释
1.4.3 第三阶段（2016—至今）：生物学习机制研究与硬件实现
1.5 本书内容具体安排
参考文献
第2章 超限学习机理论
2.1 ELM网络模型
2.1.1 网络结构描述
2.1.2 网络参数学习
2.2 ELM网络性能分析
2.2.1 有效拟合：随机投影与通用逼近
2.2.2 快速学习：等式约束优化
2.3 ELM学习机制通用性分析
2.3.1 显式映射形式与参数求解策略
2.3.2 核化映射形式与参数对偶表示
2.3.3 “显式”与“核化”的统一
2.4 本章小结
第3章 超限学习机分类与回归
3.1 分类与回归——ELM的统一性解决策略
3.1.1 均方误差代价函数：分类与回归的统一
3.1.2 等式优化约束项：二分类与多分类的统一
3.2 标签不平衡——加权ELM
3.2.1 加权ELM模型构建
3.2.2 加权ELM机理分析
3.2.3 加权ELM性能评估
3.3 标签缺失——弱监督ELM
3.3.1 弱监督ELM模型构建
3.3.2 弱监督ELM机理分析
3.3.3 弱监督ELM性能评估
3.4 样本动态更迭——在线序贯ELM
3.4.1 在线序贯ELM模型构建
3.4.2 在线序贯ELM机理分析
3.4.3 在线序贯ELM性能评估
3.5 样本含噪——滤波型ELM
3.5.1 滤波型ELM模型构建
3.5.2 滤波型ELM机理分析
3.5.3 滤波型ELM性能评估
3.6 本章小结
第4章 超限学习机特征学习
4.1 ELM特征选择
4.1.1 ELM包裹式特征选择
4.1.2 ELM嵌入式特征选择
4.2 ELM单隐藏层特征映射学习
4.2.1 有监督随机特征映射
4.2.2 无监督特征自编码器
4.3 ELM层次化特征映射学习
4.3.1 随机特征映射递归
4.3.2 特征自编码器栈式堆叠
4.4 ELM层次化特征映射学习与深度学习的联系
4.4.1 特征映射建模：普适性与自适应性
4.4.2 特征优化方法：凸优化与非凸寻优
4.5 本章小结
第5章 超限学习机工程实现
5.1 面向模型训练的并行加速技术
5.1.1 分布式软件架构加速
5.1.2 GPU平台加速
5.1.3 云端集群计算平台加速
5.2 面向模型测试的嵌入式实时处理系统设计
5.2.1 基于FPGA平台的ELM模拟验证系统
5.2.2 基于ASIC平台的ELM实际架构系统
5.3 本章小结
第6章 超限学习机领域应用
6.1 智能安防应用实例
6.1.1 监控系统的目标跟踪
6.1.2 门禁系统的人脸识别
6.1.3 报警系统的行为识别
6.2 卫星遥感应用实例
6.2.1 SAR图像在轨变化检测
6.2.2 高光谱图像农作物分类
6.2.3 可见光气象影像云图分类识别
6.3 生物医药应用实例
6.3.1 运动想像脑电信号分类
6.3.2 骨髓细胞分类
6.3.3 基因表达数据分类
6.4 本章小结
第7章 研究总结与未来展望
7.1 研究总结与结论
7.2 发展趋势分析
7.2.1 应用前景
7.2.2 技术走向
7.2.3 难点与挑战
7.3 本章小结
