ELM 极限学习机算法matlab源程序

利用极限学习机和粒子群优化算法同时对小波优化，然后对有效停车泊位进行预测，仿真表明预测精度提高

基于极限学习机的强化学习，潘杰，，极限学习机能以极快的速度提供良好的泛化性能，并且结构简单，计算方便。本文针对其优点，将其用于强化学习。利用极限学习机对Q��

为了进一步提高极限学习机的学习性能，将并行学习的思想引入单层极限学习机，并提出了基于并行学习的多层极限学习机模型。实验结果表明，该模型比传统的单层极限学习机、多层极限学习机以及传统基于误差反向学习的深

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。

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