GA遗传算法和ELM极限学习机相结合的Matlab仿真代码，是一个matlab工程，希望可以帮助到你，助你一臂之力

使用列表的便利功能 实验包，具有使用List的便捷功能。 请注意，此API是试验性的，可能还会经历更多的迭代。 反馈和贡献非常欢迎。 测验 该软件包使用和 。 贡献 拉请求是受欢迎的。 您可以在5天内收到某种回应。 如果您要添加新功能，请遵守以下规定。 包括，并确保您的文档具有说明此功能的代码片段。 我们在travis设置中使用来验证我们的示例代码是否正确，因此请利用这一优势。 提供详细的用例，其中新功能将很有用。 另外，将新功能与不包括使用功能的最佳实现方式进行比较。 将测试添加到Tests/Tests.elm 如果要改善现有功能，请使用东西并使用像的基准测试库来演示性能提升。

该程序为Matlab，自适应差分进化算法优化极限学习机程序Matlab代码，可用于预测或者分类，程序亲测可用。

输入参数： TrainingData_File=‘sinc_train’;%训练集 TestingData_File=‘sinc_test’;%测试集 Elm_Type=0; % 0代表回归 1代表分类 NumberofHiddenNeurons=10;% 隐藏层神经元的个数 Max_FES=20000;% elm_x函数最大调用次数 Lbound=-10; %突变向量左边界（最小值） Ubound=10;%突变向量右边界（最大值） NP=30; %种群数量 Max_Gen=100; %种群进化次数 F_par=0.5; %均值0.5方差0.3正态分布 CR=0.5; %均值0.5方差0.1

极限学习机非线性函数拟合代码

极限学习机是一种很好的分类器，对两类和多类均可。参数自设。

极限学习机核函数，注释清晰，调用方法放在在注释中，附带随机数据，值得注意的是，第一列为标签且数据格式非常规“.mat”格式数据。

其中包括完整的elm算法的程序，直接调用即可

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM

极限学习机matbal程序，里面有由预测和训练程序极限学习机是一类针对单层前馈神经网络设计的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中。