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

针对基于传统神经网络的变压器故障识别诊断方法存在网络收敛慢、易陷入局部极小点和网络参数难确定的缺点，提出了一种基于极限学习机的电力变压器故障快速识别方法。该方法以变压器油中用于故障类型分析的5种主要溶解气体含量作为输入特征量，5种常见变压器状态作为输出量建立分类识别模型。实验结果显示，该方法的识别准确率比支持向量机高12.5%，识别速度是支持向量机的2.6倍，比概率神经网络快5.5倍以上，表明该方法对变压器故障的识别快速而有效。

pso-elm（粒子群算法优化极限学习机）