极限学习机的代码

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

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

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

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

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