暂无评论
极限学习机ELM的最简单实用代码。黄广斌2004年论文代码。
提出用于广义单隐藏前馈神经网络的极限学习机(ELM)由于其学习速度快,良好的泛化能力和易于实现而成为热门的研究主题。 但是,ELM在隐藏层中会遇到冗余和随机性,这是由特征的随机映射引起的。 在ELM中
榆木Julia中的极限学习机是一种单隐藏层前馈网络(SLFN)的变体，由于它们的权重没有迭代调整，因此有很大的不同。这大大提高了神经网络的速度。根据ELM理论：隐藏节点/神经元参数不仅与训练数据无关，
极限学习机
用于“通用”单隐藏层前馈网络(SLFN)的极限学习机(ELM)是可以使用广泛类型的功能映射的统一学习平台。 从理论上讲,ELM可以近似任何目标连续函数并分类任何不相交的区域。 在实际应用中,许多实验结
当前基于神经网络方法的车牌字符识别技术都使用固定的训练样本,学习的效果受初始样本限制,对于识别过程中新出现的不同角度、光线等特征的字符图片不能自适应地学习。本文针对这个问题提出了基于在线序列极限学习机
从不平衡数据主动学习:在线加权极限学习机的解决方案
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。
为了实现极端学习机(ELM) 的在线训练, 提出一种限定记忆极端学习机(FM-ELM). FM-ELM 以逐次增加新 训练样本与删除旧训练样本的方式, 提高其对于系统动态变化特性的自适应性, 并根据矩
针对生物发酵过程中一些生物参量难以测量的问题，提出一种基于改进极限学习机（IELM）的软测量建模方法。该方法通过最小二乘方法和误差反馈原理计算出最优的网络输入到隐含层的学习参数，以提高模型的稳定性和预
暂无评论