这是一个在MATLAB上面可以运行的极限学习机算法实例，文件中，包含了多个极限学习机样例，ELM说白了就是另一种神经网络，其作用相似，效果又不同，比如其离散型更强等，建议直接修改接口，方便调试

极限学习机（Extreme Learning Machine, ELM）是一类基于前馈神经网络（feedforward neuron network）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。

极限学习机的输入权重是随机生成的，这个因此每次的结果不一致。因此采用主成分分析，将原始数据降到N维（所设的隐含层节点数）。将得到的pca降维变换矩阵作为极限学习机的输入权重，效果更佳稳定

对ELM从命名开始说起，一直到公式原理的介绍一步步的带领掌握ELM.

这本书是Ovidiu Furdui在过去十年中教授，研究和解决问题的成果。 本书提供了一个不寻常的问题集合，专门研究数学分析的三个主题：极限，级数和分数部分积分。 全书共分三章，每章分别讨论一个具体的题目和两个附录。 每一章都包含一些由书中的其他问题所激发的一些难题，这些难题被收集在一个题为“未解决的问题”的特别小节中，其中很少以问题出现在书中的顺序列出。 这些问题可以考虑作为研究问题或项目给有微积分背景的学生，以及喜欢数学研究和数学发现的读者。

对于入门的ELM学习者，这个代码比较好的对于ELM进行了总结，更改了少量代码

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。

极限学习机ELM的最简单实用代码。黄广斌2004年论文代码。

提出一种基于粒子群算法优化极限学习机算法。采用粒子群算法对极限学习机参数进行优化,最后在Matlab平台进行仿真对比实验。

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