极限学习机的回归拟合及分类-对比试验研究

极限学习机ELM的最简单实用代码。黄广斌2004年论文代码。

为使配电网重构有功功率损耗最小,提出一种基于极限学习机的神经网络重构模型来反映配电网负荷模式与开关状态之间的非线性关系。将配电网负荷模式作为输入、网损最小时的开关状态作为输出,利用所提模型网络结构简单

深度极限学习机也叫多层极限学习机，ML-ELM。是黄广斌等人在极限学习机ELM基础上，将其拓展为深度学习的一种模式识别方法，原文文章：Representationallearningwithextre

提出用于广义单隐藏前馈神经网络的极限学习机(ELM)由于其学习速度快,良好的泛化能力和易于实现而成为热门的研究主题。 但是,ELM在隐藏层中会遇到冗余和随机性,这是由特征的随机映射引起的。 在ELM中

用于“通用”单隐藏层前馈网络(SLFN)的极限学习机(ELM)是可以使用广泛类型的功能映射的统一学习平台。 从理论上讲,ELM可以近似任何目标连续函数并分类任何不相交的区域。 在实际应用中,许多实验结

榆木Julia中的极限学习机是一种单隐藏层前馈网络(SLFN)的变体，由于它们的权重没有迭代调整，因此有很大的不同。这大大提高了神经网络的速度。根据ELM理论：隐藏节点/神经元参数不仅与训练数据无关，

针对极限学习机(ELM) 网络结构优化问题, 提出一种改进的灵敏度剪枝ELM(ImSAP-ELM). ImSAP-ELM 将??2 正则化因子引入SAP-ELM 中, 采用留一准则确定最优隐节点数.

基于差分进化的在线极限学习机，王建功，，在线极限学习机(OS-ELM)是一种在线学习算法，它可以逐个或者逐段地学习数据，并且OS-ELM比一般的在线学习算法学习速度要快。为进一步�

极限学习机（ExtremeLearningMachine，ELM）是一种单隐层前馈神经网络（Single-hiddenLayerFeedforwardNeuralNetworks，SLFN），它相较于

针对目前提出的Boosting提升的加权极限学习机算法用各类总分类性能作为算法的优化目标，算法对大类样本具有性能偏向性，而且没有考虑数据中包含噪声及噪点时算法对分类性能的影响，提出基于AdaBoost