由于神经网络具有拟合非线性的能力,所以可以用神经网络来处理内部模型的非线性特性,因此这种内部模型采用神经网络的非线性PLS方法得到了广泛的应用。传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。

较好的Adaboost程序代码。只要按照格式带入数据就可运行。

极限学习机ELM的最简单实用代码。黄广斌2004年论文代码。

1. 本文件包括ELM和KernelELM()算法的实现，在黄广斌教授础源码基础上做了简单修改，并对程序做出注释 2. elm.m ELM算法实现 elm_kernel.m KernelELM算法实现，注意使用不同kernel时，核参数个数可能不一样 3. test_elm.m elm()函数测脚本，有详细注释 test_elm_kernel elm_knenel()函数测试脚本，有详细注释 4. UCI_DataSet mat格式UCI数据集，包括了多个数据库 每个数据库中，一行为一个数据，第1列为数据所属类别号 详情见ｇｉｔｅｅ项目地址： https://gitee.com/wllw7176/ELM-matlab 获取方法： git clone https://gitee.com/wllw7176/ELM-matlab.git

这是关于ELM算法的一篇论文。。ELM近年来越来越受大家的关注。有兴趣的可以看看。

极限学习机matlab源代码，可以直接运行，可解决回归和分类问题，且是多分类问题

关于elm进行回归预测的分析，使用方法很简单，只需输入训练集和测试集就可以进行elm预测了，预测的结果会保存在相应的.mat文件里，详细操作请看代码里的操作说明。资源里有调用函数ELM.m，执行函数guidence.m文件，作为调用实例，直接运行就可以了，简单易懂，汉语注释说明等。运行结果会直接输出测试集的MAE, RMSE, MAPE, DISTAT这几个统计量

首先对数据进行PCA，然后输入至PSO优化的ELM中进行分类，python代码

这是利用ELM进行回归分析的二分类问题，代码是MATLAB版本，有训练样本和测试样本，分类结果用不同颜色的图表示。参考来源：http://blog.csdn.net/google19890102/article/details/18222103

超限学习机ELM的逻辑回归二分类Python代码，需要训练样本和测试样本，带有正则化系数，提高泛化能力，能有效解决欠拟合和过拟合问题。参考来源：http://blog.csdn.net/Mosout/article/details/53997040