通过BP、GRNN、ELM、SSA-ELM对样本数据进行回归预测，SSA-ELM优于ELM>GRNN>BP（对自己的数据进行预测只需将样本数据进行替换即可）

基于DBN-ELM深度信念网络的在线序贯极限学习机的数据分类仿真，matlab2021a仿真测试

通过基于ELM的自编码技术实现图像的去模糊功能,matlab2021a仿真

Weighted-ELM

(8条消息) 【预测模型】基于粒子群算法PSO优化极限学习机ELM实现数据预测matlab源码.zip_elm极限学习机预测matlab-Matlab文档类资源-CSDN文库.html

用免疫算法优化ELM的输入层到隐藏层的权值与阈值参数，以此来提高ELM的预测精度。(Optimizing ELM parameters with immune algorithms)

通过python中的pyoselm包直接调用os-elm模型，无需自己搭建，直接简单调用，可预测可分类。本资源包括简单例子和pyoselm包源文件，感兴趣的朋友可以研究一下。

在线序列优化极限学习机源码，实现简单，性能较好，希望能对大家有所帮助。

ELM自动编码器 运行多层ELM 您必须从下载MNIST数据集，然后按照网站上的说明提取MNIST。 并将其放在名为“ mnist”的文件夹中 使用以下命令运行代码 [TrainingTime，TestingTime，TrainingAccuracy，TestingAccuracy] = MELM_MNIST25（0，0，3，[700,15000]，[1e-1,1e4,1e8]，0.05，[0.7,1]，[0.8,0.9]） 或者 [TrainingTime，TestingTime，TrainingAccuracy，TestingAccuracy] = MELM_MNIST25（0，0，3，[700,15000]，[1e-1,1e3,1e8]，0.05，[0.7,6]，[0.8,4]） 或较小的内存要求 [TrainingTime，TestingTime，TrainingAccura

function [TrainingTime,TestingTime,TrainingAccuracy, TestingAccuracy,TY_test,num,L,R,Q,F,TY]=BA_EM_ELM(train_data, test_data,Lmax,delta) global I; global T; global I_test; global T_test; global c; global d; global h0; %%%%%%%%%%% Load training dataset T=train_data(:,1)';%输出，1*N