为了提高机器人的定位精度，对传统的基于神经网络的机器人精度补偿方法进行改进。采用两种基于粒子群优化的极限学习机（PSO-ELM）模型的精度补偿方法对机器人关节坐标及直角坐标进行补偿。分别对两种方法进行仿真实例分析，并与遗传算法优化的极限学习机（GA-ELM）模型进行对比。仿真结果表明，对直角坐标进行补偿的PSO-ELM机器人精度补偿法优于其他补偿方法，且具有较高的预测精度。

核极限学习机，引入核函数解决ELM求解问题，一旦参数选定，结果就稳定下来，不再混入随机。在原来版本上加入自己理解改写，使得代码更容易理解。

9性预测模型$ 从多方面分析影响供电可靠性的指标!利用主成分分析得到综合变量!实现对数据的降维$ 在此基础上!构建人工神经网络并利用粒子群算法优化极限学习机的输入权值和阈值!完成对训练供电可靠性预测模型的训练$ 以某大型电网的 ?L 个供电局样本 !% 种影响供电可靠性因素为例进行仿真分析!并将 E S R C E FQ C 4 G D算法与 ! 种回归拟合算法对比!验证了该方法的有效性

利用全局优化算法改进群智能算法从而改进ELM

BA-EM-ELM优化算法代码

CAE-ELM 介绍 3D形状特征在图形应用程序中起着至关重要的作用，例如3D形状匹配，识别和检索。 在过去的二十年中，已经开发出了各种3D形状描述符。 但是，现有的描述符是手工设计的功能，需要大量劳动来设计，并且无法为大量数据提取判别信息。 我们提出了一种快速的3D特征学习方法，即卷积自动编码器极限学习机（CAE-ELM），该方法结合了卷积神经元网络，自动编码器和极限学习机（ELM）的优势。 此方法比其他方法执行得更好，更快。 另外，我们定义了一种基于CAE-ELM的新颖架构。 该体系结构接受两种类型的3D形状表示，即体素数据和有符号距离场数据（SDF），作为提取3D形状的全局和局部特征的输入。 体素数据描述结构信息，而SDF数据包含3D形状的详细信息。 此外，提出的CAE-ELM可以用于实际的图形应用程序，例如3D形状完成。 实验表明，CAE-ELM提取的特征优于现有的手工特征以

Python-ELM v0.3 --->存档2021年3月<--- 这是基于Python[1] [2]的。 从摘要： 显然，前馈神经网络的学习速度通常远远慢于所需速度，并且在过去的几十年中一直是其应用的主要瓶颈。 背后的两个关键原因可能是：1）基于慢梯度的学习算法被广泛用于训练神经网络，以及2）通过使用这种学习算法来迭代地调整网络的所有参数。 与这些传统实现不同，本文针对单隐藏层前馈神经网络（SLFN）提出了一种称为极限学习机（ELM）的新学习算法，该算法随机选择输入权重并通过分析确定SLFN的输出权重。 从理论上讲，该算法倾向于以极快的学习速度提供最佳的泛化性能。 基于现实世界中基准函数逼近和分类问题（包括大型复杂应用程序）的实验结果表明，该新算法在某些情况下可以产生最佳的泛化性能，并且比传统的前馈神经网络流行的学习算法学习速度快得多。 这是一项正在进行的工作，因此事情可以/可能/

elm前端项目.rar

【预测模型】基于 Elm神经网络的电力负荷预测模型matlab源码.md

Qt编写的超限学习机(ELM)分类器演示程序源码