该工具可让您分析代码，识别缺陷并应用最佳实践。 预习 用法 先决条件 以下二进制文件应在路径上可用： node >=8 elm 0.19.x elm-format (a version that is compatible with the source code you wish to analyse) 安装 npm install -g elm-analyse 或如果使用yarn ： yarn global add elm-analyse 跑步 切换到要分析的Elm项目目录，然后运行elm-analyse 。 为服务器模式添加-s选项。 这将使您可以在浏览器中查看结果。 要更改端口，请使用-p XXXX CLI选项 选项 描述 --help or -h 打印帮助输出。 --serve or -s 启用服务器模式。 默认情况下禁用。 --port or -p 服务器应在

Python极限学习机（ELM） Python极限学习机（ELM）是一种用于分类/回归任务的机器学习技术。 免费软件：BSD许可证 文档： : 。 特征 ELM内核 ELM随机神经元 ML工具

完整代码，可直接运行

超限学习机elm核函数的应用代码，ELM(Extreme Learning Machine)是一种新型神经网络算法，最早由Huang于2004年提出【Extreme learning machine: a new learning scheme of feedforward neural networks】。 与SVM，传统神经网络相比，ELM的训练速度非常快，需要人工干扰较少，对于异质的数据集其泛化能力很强。 Huang在【Extreme learning machines: a survey，2011】这篇论文中对ELM进行了总结，包括最初的ELM算法和后来被发展延伸的ELM算法(比如在线序列ELM算法、增量ELM算法和集成ELM算法等)，里面的很多知识点值得学习。

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.

福克斯刷仪表用！但是还需要配合其他的资源！我只能提供这么多啦！

通过增加敏感性和特异性计算来修改来自 MR QIN-YU ZHU 和 DR GUANG-BIN HUANG 的极限学习机代码

【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

som matlab代码<<<<<<< HEAD 网络 SO-Net：用于点云分析的自组织网络。 CVPR 2018，美国盐湖城，李嘉欣，陈本铭，李国熙，新加坡国立大学 介绍 SO-Net是处理2D / 3D点云的深度网络体系结构。 它启用了各种应用程序，包括但不限于分类，形状检索，分割，重建。 可以找到SO-Net的arXiv版本。 @article{li2018sonet, title={SO-Net: Self-Organizing Network for Point Cloud Analysis}, author={Li, Jiaxin and Chen, Ben M and Lee, Gim Hee}, journal={arXiv preprint arXiv:1803.04249}, year={2018} } 受自组织网络（SOM）的启发，SO-Net对点云执行降维，并基于SOM节点提取特征，并在理论上保证了点序不变。 SO-Net显式建模点的空间分布，并提供对接收场重叠的精确控制。 该存储库发布了4个应用程序的代码： 分类-ModelNet 40/10，MNIST数据

是一种简单的程序 在黄广斌的基础上进行了修改，主要用于分类为题，可以显示最后的分类结果