极限学习机ELM+OSELM+KELM+半监督SSELM+USELM的matlab程序(附完整代码)

为提高电力负荷预测的准确性,提出蝙蝠算法优化极限学习的电力负荷预测模型.首先收集电力负荷历史数据,然后采用蝙蝠算法对延迟时间和嵌入维以及极限学习的隐含层结点数目进行优化,利用电力负荷历史数据进行重构,最后采用最优隐含层结点数目的极限学习机建立电力负荷预测模型,并采用具体数据仿真测试.实验结果表明:模型建立了整体性能优异的电力负荷预测模型,提高了电力负荷的预测精度.

在线序列阶极限学习机源代码-OSELM_VARY.m 用于分类和回归，主要调的参数为N0这一个，他大概为你训练数据的2/3那么多你出来的结果才是差不多的

【KELM预测】基于粒子群算法改进核极限学习机(KELM)分类算法 matlab源码.zip

传统的极限学习机作为一种有监督的学习模型，任意对隐藏层神经元的输入权值和偏置进行赋值，通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题，提出一种基于模拟退火算法改进的极限学习机.首先，利用传统的极限学习机对训练集进行学习，得到隐藏层神经元的输出权值，选取预测结果评价标准.然后利用模拟退火算法，将传统的极限学习机隐藏层输入权值和偏置视为初始解，预测结果评价标准视为目标函数，通过模拟退火的降温过程，找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置，最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比，基于模拟退火改进的极限学习机在分类和回归性能上都更优.

在线序列阶极限学习机源代码-OSELM.m 用于分类和回归，主要调的参数为N0这一个，他大概为你训练数据的2/3那么多你出来的结果才是差不多的

在肺结节诊断方法研究中,传统机器学习诊断方法存在诊断性能不稳定的问题.为了提高孤立性肺结节的识别准确率,提出基于粒子群优化(particle swarm optimization,PSO)参数的极限学习机(extreme learning machine,ELM)辅助诊断方法.首先采用PSO选取ELM最佳的初始权重ω和偏置b;然后利用最佳参数ω和b对ELM进行训练;再利用PSO-ELM对通过稀疏自编码得到的肺结节特征进行分类识别.实验中,将传统机器学习算法与本文方法进行对比,结果表明,利用粒子群优化算法进行优化的极限学习机在孤立性肺结节诊断方面具有较高识别准确率和稳定的分类性能,可以作为一种有效的肺结节诊断工具.

为了解决人工神经网络训练时间长的缺点，新加坡南洋理工大学教授黄广斌提出了一种全新的单隐藏层前馈神经网络－极限学习机（extreme learning machine ,ELM），该神经网络能够以极快的学习速度达到较好的泛化性能，从而解决了传统神经网络学习速度缓慢的限制，拓宽了极限学习机的应用范围，尤其是在大数据的应用场合。

【预测模型】基于狮群算法优化核极限学习机Kelm实现数据分类matlab源码.zip

【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