基于极限学习机的多网络学习,王建功,,与现有神经网络相比,极限学习机具有较快的学习速度以及良好的泛化性能。然而,它的性能还可以得到很大提高,主要基于两个原因:
极限学习机的训练和测试,可用于模式识别,定量分析等计算。
在线序列阶极限学习机源代码-OSELM_VARY.m
用于分类和回归,主要调的参数为N0这一个,他大概为你训练数据的2/3那么多你出来的结果才是差不多的
详细介绍了基于正则化极限学习机(RELM)的数据回归预测算法的matlab代码,并提供了代码的下载链接。以极限学习机为基础,该代码实现了对数据的回归预测,可以帮助用户对数据进行准确的预测和分析。代码使
提出一种基于差分进化(DE) 和粒子群优化(PSO) 的混合智能方法—–DEPSO 算法, 并通过对10 个典型函数进行测试, 表明DEPSO 算法具有良好的寻优性能. 针对单隐层前向神经网络(SLF
由于神经网络具有拟合非线性的能力,所以可以用神经网络来处理内部模型的非线性特性,因此这种内部模型采用神经网络的非线性PLS方法得到了广泛的应用。传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数
本文首先概述了ELM的发展历程,接着详细阐述了ELM的工作原理.然后对ELM理论和应用的最新研究进展进行了归纳总结,着重讨论并分析了自ELM提出以来的主要学习算法和模型,包括提出的原因、核心思想、求解
极限学习机在岩性识别中的应用.ELM的应用例子PDF论文
极限学习机(ELM)具有强大的非线性映射能力、良好的泛化性能和快速的收敛速度等特点,在故障检测系统中有广泛的应用。阐述了极限学习机的基本原理;结合文献分别介绍了传统极限学习机和三种新型极限学习机在不同
堆叠核极限学习机用于高光谱图像分类