极限学习机是一种前馈神经网络算法，近年来在数据的分类与预测方面得到了广泛的应用。ELM的输入权重和隐含层偏置是随机生成的，这虽然省去了大部分训练的时间，但是不可避免的存在非最优或非必要的输入权重和偏置。为了提高预测与分量的准确率，利用差分优化算法对其进行参数优化。 内置一个数据，可以直接运行。

由于不确定因素多、电网规模大，原始蒙特卡洛模拟(MCS)在复杂电力系统可靠性评估中无法满足实时高效的要求。提出一种基于交叉熵(CE)的重要抽样与极限学习机(ELM)相结合的可靠性评估算法，一方面通过在系统抽样环节引入CE构建元件的最优概率分布，减小方差变化，加快指标收敛速度；另一方面，采用ELM对重要抽样的状态样本进行有监督学习，以所构建的网络学习模型替代传统非线性规划方法进行状态评估，提高单次系统状态评估的效率，从而实现快速可靠性评估。对IEEE RTS-79系统进行可靠性评估，与原始MCS和CE重要抽样的对比结果表明，在一定的误差范围内所提算法合理、有效，其计算效率较原始MCS和CE显著提高。

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代码模型及运行结果

BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

【DELM分类】基于花朵授粉算法改进深度学习极限学习机实现数据分类附matlab代码

【DELM分类】基于人工蜂群算法改进深度学习极限学习机实现数据分类附matlab代码

【预测模型】基于樽海鞘算法的极限学习机（ELM）回归预测 Matlab代码.md

该工具箱使用简单的界面实现了用于回归和分类的极限学习机 (ELM)。 只需一行代码，就可以训练 ELM 模型。 另一行用于在新数据上测试模型。 此实现还包括添加来自 RVFL 的功能链接的选项，这会在输入和输出之间创建额外的连接。

1、有完整原始数据 2、python程序 3、程序详细，可直接运行

【DELM分类】基于遗传算法改进深度学习极限学习机实现数据分类附matlab代码