极限学习机

Python implementation of online sequential extreme learning machine OS-ELM

针对采空区煤炭自然发火的预测问题,从温度、标志气体浓度以及钻孔参数3个方面选取了8个相关因素,利用Logistic回归分析从中提取出5个相对重要的因素作为预测模型的输入,运用极限学习机算法进行预测,并

针对经典智能算法用于滑坡位移预测时存在的网络结构参数选取复杂、易陷入局部极小等缺陷,提出了基于改进极限学习机ELM(Extreme Learning Machine)的滑坡位移预测模型。在滑坡变形位移

为提高电力负荷预测的准确性,提出蝙蝠算法优化极限学习的电力负荷预测模型.首先收集电力负荷历史数据,然后采用蝙蝠算法对延迟时间和嵌入维以及极限学习的隐含层结点数目进行优化,利用电力负荷历史数据进行重构,

摘要:内核极限学习机(KELM)通过将低维空间中的线性不可分离数据转换为线性可分离的数据,从而增强了ExtremeLearning Machine(ELM)的鲁棒性。 然而,ELM的内部功率参数是随机

标记分布学习作为一种新的学习范式，利用最大熵模型构造的专用化算法能够很好地解决某些标记多样性问题，但是计算量巨大。基于此，引入运行速度快、稳定性更高的核极限学习机模型，提出基于核极限学习机的标记分布学

两阶段加权正则化极限学习机,用于班级失衡学习

为减少对领域专家的过分依赖,实现企业专家经验知识的继承,面向采煤机方案设计中总体技术参数的确定过程,结合采煤机条件属性与决策属性间的映射关系,提出了基于极限学习机的采煤机功率预测模型。采用遗传算法选定

超限学习机比支持向量机分类效果更好，运行效率比DEEP LEARNING高！

平板学习机