核极限学习机

在本文中,我们提出了一种基于局部接受域(LRF)的内核极限学习机(KELM)方法,用于高光谱图像(HSI)分类。 作为单层前馈神经网络,内核ELM已成功用于HSI的分类。 考虑到HSI的空间域中的局部

岩石物理研究,或参与地质分析和研究(例如,绘制异常的Kong隙流体压力)。 但有时由于数据丢失或当时没有记录,在20年前钻的那些老井中不存在它。 因此,合成DTlog成为研究人员的必要任务。 在本文中

集成极限学习机的基学习器扩展，王建功，刘博，集成极限学习机(E-ELM)由多个极限学习机(ELM)构成，它能有效地提高学习器的泛化性能。但用于集成的基学习器数量不易确定，过少则难以

MI-ELM:基于分层极限学习机的高效多实例学习

近年来核学习机已经成为机器学习界的一个热点问题，并在许多领域中得到了成功应用；然而作为一种尚未成熟的新技术，核学习机仍然存在很多局限性。介绍了核方法的基本思想，从有监督和无监督学习算法两方面对基于核的

Python implementation of online sequential extreme learning machine OS-ELM

针对基于传统神经网络的变压器故障识别诊断方法存在网络收敛慢、易陷入局部极小点和网络参数难确定的缺点,提出了一种基于极限学习机的电力变压器故障快速识别方法。该方法以变压器油中用于故障类型分析的5种主要溶

极限学习机（ELM）因其高效的训练方式被广泛应用于分类回归，然而不同的输入权值在很大程度上会影响其学习性能。为了进一步提高ELM的学习性能，针对ELM的输入权值进行了研究，充分利用图像局部感知的稀疏性

针对证券指数具有随机性、时变、波动性较大、非线性等特点,传统线性预测方法预测精度低等缺陷,提出了一种基于极限学习机的证券指数预测方法。极限学习机克服了BP神经网络的训练速度慢、过拟合、局部极值等缺陷,

极限学习机ELM不同于传统的神经网络学习算法（如BP算法），是一种高效的单隐层前馈神经网络（SLFNs）学习算法。将极限学习机引入到中文网页分类任务中。对中文网页进行预处理，提取其特性信息，从而形成网