基于粒子群PSO优化算法的ELM网络,并对比优化后的EML的预测性能+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

1、结合DBN和ELM的改进DBN-ELM模型 2、文件matlab：包含改进算法的matlab实现 3、mnist: 包含ELM、DBN、DBN-ELM算法在mnist数据集上的表现 4、Skin_NonSkin: 包含ELM、DBN、DBN-ELM算法在Skin_NonSkin数据集上的表现 5、文件python：包含改进算法的python实现 运行环境MATLAB2018b及以上

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

采用极限学习机即（ELM）进行回归和预测的MATLAB代码, 亲测可用，只需要替换自己的数据即可.

利用主成分分析法结合粒子群（PSO）优化极限学习机(ELM)进行工程费用估计预测

极限学习机的 python实现，可用于回归，多分类问题等。

使用樽海鞘算法结合极限学习机，应用风电场数据，根据风速温度等条件对风功率进行预测，效果不错

榆木分类器在线词典学习 这是在线稀疏字典学习和时间金字塔匹配的官方Matlab实现[“李南宇，司玉娟，邓铎，袁春雨ECG通过在线稀疏字典和时间金字塔匹配进行分类”，在IEEE第17届国际通信技术大会上（ICCT）]可以从中下载 兼容性 该代码使用Windows 10和Matlab 2012进行了测试。 抽象的 最近，单词袋（BOW）算法提供了有效的功能并提高了ECG分类系统的准确性。 但是，BOW算法有两个缺点：（1）。 量化误差大，重建性能差。 （2）。 它会丢失心跳的时间信息，并可能为不同类型的心跳提供令人困惑的功能。 此外，ECG分类系统可用于对心血管患者进行长时间监视和分析，同时会产生大量数据，因此我们迫切需要一种有效的压缩算法。 鉴于上述问题，我们使用小波特征构造稀疏字典，从而将量化误差降至最低。 为了降低算法的复杂性并适应大规模的心跳操作，我们将在线词典学习与特征符号算法结合起来以更新词典和系数。 系数矩阵用于表示心电图搏动，大大减少了内存消耗，同时解决了定量误差的问题。 最后，我们构造金字塔以匹配每个ECG搏动的系数。 因此，我们通过时间随机池获得包含节拍时间信息的特征。

PSO粒子群算法优化极限学习机ELM参数，即PSO-ELM

粒子群-极限学习机一种单隐层神经网络，用于数据分类，故障诊断等