智能电网中使用增强型极限学习机优化的短期电力负荷和价格预测 Short-Term Electric Load and Price Forecasting Using Enhanced Extreme Learning Machine Optimization in Smart Grids Aqdas Naz 关键词：智能电网; 预测; 负荷; 价格; CNN; LR; ELR; RELM; ERELM

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。

很明显，前向神经网络的学习速度通常远低于要求，这一直是其应用的主要瓶颈。这背后的两个主要原因可能是：（1）基于慢梯度的学习算法被广泛用于训练神经网络；（2）使用这种学习算法，网络的所有参数都是迭代调整的。与传统的学习算法不同，本文提出了一种新的单隐层前馈神经网络（SLFNs）的学习算法ELM，该算法随机选择隐节点并解析地确定slfn的输出权值。理论上讲，该算法在极快的学习速度下具有良好的泛化性能。基于一些人工和真实的基准函数逼近和分类问题（包括非常复杂的应用）的实验结果表明，新算法在大多数情况下都能产生良好的泛化性能，并且比传统的常用学习算法学习速度快数千倍前馈神经网络。

改进极限学习机B-ELM算法源代码.zip

极限学习机（ELM）源代码，适用于分类和回归

极限学习机（ELM）的MATLAB完整实现程序，有完整注释并已测试通过，资源中包含了测试脚本和数据集，算法的原理和实现讲解可参考本人博客https://wuxian.blog.csdn.net/article/details/90760481。

数学建模源码集锦-极限学习机的回归拟合及分类应用实例

采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动分类识别。经使用实验台实测电机滚动轴承不同状态的信号进行分析,研究结果表明,所建立的自动分类模型可以有效地对轴承的单一故障,以及不同程度故障有很好的辨识能力。

极限学习机集成的动态生成方法

MI-ELM：基于分层极限学习机的高效多实例学习