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

用极限学习机算法建立训练集，用来预测所需要的曲线

基于准确高效地提高校园安全状况评价的精度，采用了鲸鱼优化算法（WOA）改进极限学习机的高校校园安全评价模型，通过将安全管理、校园环境和校园周边环境3个一级指标和影响校园安全的22个因素的二级评价指标得分和高校校园安全综合得分分别作为WOA-ELM的输入和输出，鲸鱼优化算法寻找极限学习机的最优初始权值和隐含层偏置，建立一种高校校园安全的WOA-ELM评价模型。研究结果表明，与GA-ELM、PSO-ELM和ELM相比，WOA-ELM模型的高校校园安全评价精度可以达到99.2%，为高校校园安全评价提供了新的方法。

榆木分类器信息 3D场景几何识别 使用低层特征和多层深层特征的3D场景几何体识别系统 该代码是在多层深度CNN上使用低级特征融合实现图像场景几何识别的方法（已接受）。 如果您对代码有任何疑问，请通过与Altafhan联系。 该系统在Matlab中实现。 该代码已在Linux（Ubuntu 18.x）和带有Matlab版本R2019b的Window 7上进行了测试。 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%此模型中提取了两种类型的特征。 深度CNN， 手工功能主文件为“ G_multilayersystem.m”，您可以通过“ G_multilayersystem.m”金字塔访问所有其他功能。 %%%%%%%%%%%%%%%%%%程序具有两个不同的模块：实施第一个ResNet模型，并提取五个不同阶段的特征，这些特征在每个阶段都与本地手工特征结合在一起。 （5个不同的阶段）5个阶段：表示5个分类器并联。 我们测试两个分类器； 在每个阶段都支持SVM和ELM。 ％SV

Elm：Elm中实现的所有算法

基于大数据算法与数据结构学习：ELM+OSELM+KELM+半监督SSELM+USELM的matlab程序

PSO-ELM 粒子群算法优化极限学习机

事实证明，极限学习机（ELM）是广泛领域中一种有效的学习范例。 使用内核函数方法而不是隐藏层，KernelELM克服了由随机分配的权重引起的变化问题。 本文在半监督极限学习机（SSELM）中引入了基于核的优化，并通过实验对性能的改进进行了评估。 结果表明，通过内核功能的优化，KernelSSELM可以实现更高的分类精度和鲁棒性。 另外，内核SSELM用于在城市交通评估和预测系统中训练交通拥堵评估框架。

用于单层前馈神经网络（SLFN）的极限学习机（ELM）是一种强大的机器学习技术，并且以其快速的学习速度和良好的泛化性能而受到关注。 最近，提出了加权ELM来处理具有不平衡类分布的数据。 加权ELM的关键本质是为每个训练样本分配了额外的权重。 尽管提供了一些经验加权方案，但是如何确定更好的样本权重仍然是一个悬而未决的问题。 在本文中，我们提出了一种Boosting加权ELM，它将加权ELM无缝地嵌入到经过修改的AdaBoost框架中，以解决上述问题。 直观地，反映训练样本重要性的AdaBoost框架中的分布权重被输入到加权ELM中作为训练样本权重。 此外，在两个方面对AdaBoost进行了修改，以更有效地实现不平衡学习：（i）初始分布权重设置为不对称，以便AdaBoost以更快的速度收敛； （ii）针对不同类别分别更新分配权重，以避免破坏分配权重的不对称性。 对KEEL存储库中的16个二进制数据集和5个多类数据集的实验结果表明，与加权ELM相比，该方法可以实现更均衡的结果。

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仿真代码