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
本文提出了一种估计行人数量的方法。 提议的计数框架通过使用混合功能和极限学习机(ELM)结合了两种主要的行人计数策略-直接方法和间接方法。 ELM用于将混合要素映射到行人数量。 混合特征由整体低级特征
堆叠核极限学习机用于高光谱图像分类
针对煤层自然发火的预测问题,以标志气体分析法为基础,提出了一种基于极限学习机的煤自然发火预报模型,该模型将直接构造出指标气体浓度与煤层是否自然发火之间的非线性映射关系,从而实现对煤层是否自然发火的识别
本文介绍一种基于蜣螂优化算法和极限学习机的优化方法,能够高效地进行回归预测。该算法结合了两种优化算法的优点,并经过实验验证其性能优越。同时,本文还提供了可运行的代码示例,帮助读者更好地理解和使用该算法
