极限学习机算法 是一种前馈式神经网络算法，相比于BP神经网络，其随机初始化输入项的权值，训练速度快，预测精度较高。

将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。

论文资源，粒子群优化神经网络的预测模型。

为提高短期负荷预测精度，针对传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题进行了研究，提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机（ELM）的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关，采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置，提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析，研究结果表明，相对于BP神经网络和支持向量机，ELM具有更高的泛化能力和预测精度；CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力，CC-PSO-ELM模型具有较高的负荷预测精度。

摘要：内核极限学习机（KELM）通过将低维空间中的线性不可分离数据转换为线性可分离的数据，从而增强了ExtremeLearning Machine（ELM）的鲁棒性。 然而，ELM的内部功率参数是随机初始化的，导致算法不稳定。本文采用主动算子粒子游动优化算法（APSO）来获得KELM的最优初始参数集，从而创建了一个最优的KELM分类器名为APSO-KELM。 在标准遗传数据集上进行的实验表明，与现有的ELM，KELM相比，APSO-KELM具有更高的分类准确性，并且这些算法将PSO / APSO与ELM / KELM相结合，例如PSO-KELM，APSO-ELM，PSO-ELM等。 ， APSO-KELM具有良好的稳定性和收敛性，被证明是一种可靠有效的分类算法。

极限学习机(Extreme Learning Machine) ELM，是由黄广斌提出来的求解单隐层神经网络的算法。 ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。

通过ν正则化优化极限学习机

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。

PSOELM_psoelm_极限学习机.zip

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。