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

基于极限学习机的道路分割的matlab代码 机器学习的

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/

行业分类-外包设计-基于在线序贯极限学习机的递增式人体行为识别方法.zip

基于差分进化极限学习机的电力系统暂态稳定评估方法.pdf

MATLAB，极限学习机，

一开始，ELM 建议用于训练（SLFN）单隐藏层前馈神经网络，似乎能够扩展到 MLP（多层感知器）。 在这段代码中，我们提出了一种基于 ELM 的算法来训练用于回归和分类的 MLP。

matlab 心的代码 Multi-Kernel-Extreme-Learning-Machine Matlab code for "Multiple kernel extreme learning machine" 主运行文件是mkELM_DEMO.m,测试数据集是heart

极限学习机ELM的matlab实用代码——亲测可用

深度学习中的自动编码器选用极限学习机时速度会大大加快，可以看看哈！参考论文为： Representational Learning with ELMs for Big Data