ELM(极限学习机分类).rar

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:

为了提高遥感图像的分类精度,将遥感图像的相似性测度作为遥感图像的分类特征,运用极限学习机的快速收敛能力和泛化能力,提出一种基于相似性测度和极限学习机的遥感图像分类方法。选取分类精度和Kappa系数作为

骨髓细胞的分类有重要的医学诊断意义。先对骨髓细胞图像分割和特征提取，用提取出来的训练集对极限学习机训练，再用该分类器对未知样本识别。针对单个分类器性能的不稳定，提出基于元胞自动机的极限学习机集成算法。

随着大数据时代的到来，对异构和分布式的模糊XML数据管理显得越来越重要。在模糊XML数据的管理中，模糊XML文档的分类是关键问题。针对模糊XML文档的分类，提出采用双隐层极限学习机模型来实现模糊XML

对于分类问题,极限学习机(ELM) 可以通过更快的学习获得更好的泛化性能速度。 但是,单个ELM在数据分类中是不稳定的。 这基于Bagging的集成分类器,即Bagging-ELM已被研究流行并证明可

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。

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

PSO-ELM粒子群优化的极限学习机，通过调节参数拟合效果很好，便于大家使用，为学者和科研人员提供基础和思路