MATLAB——极限学习机的回归拟合及分类——比对试验研究

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.

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

极限学习机ELM的最简单实用代码。黄广斌2004年论文代码。

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

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，

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

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

MATLAB代码用于进行回归拟合，可用于建模和预测。

针对增量型极限学习机(I-ELM) 中存在大量降低学习效率及准确性的冗余节点的问题, 提出一种基于Delta 检验(DT) 和混沌优化算法(COA) 的改进式增量型核极限学习算法. 利用COA的全局搜