采用极限学习机即（ELM）进行回归和预测的MATLAB代码, 亲测可用，只需要替换自己的数据即可.

极限学习机matlab源码及对应几篇重要文献，对学习人工智能的朋友很有价值！里面有matlab测试源代码和测试数据，非常好用，可用于分类和回归，速度很快。我用9030*1569的数据训练和测试12秒即有结果。

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

极限学习机ELM是一类Single-hidden Layer Feedforward Neural Network（SLFNs）算法，由Huang等基于 Moore-Penrose 广义逆的理论提出，主要针对SLFNs中存在的学习速率慢，迭代时间长，学习参数如学习步长、学习率需要人为提前设置等问题。与传统的神经网络学习算法相比，ELM只需要设置合适的隐层节点数，随机生成隐层所需所有参数，利用最小二乘法确定输出层权值。整个学习过程只需一步而无需多次更新隐层参数。正是因为ELM算法的快速学习能力以及较强的非线性逼近能力等特点，使得ELM在实际应用中受到了研究者们的青睐。 本代码给出了实现正则化极限学习机（RELM）、在线学习的极限学习机（OS-ELM）、带遗忘机制的在线学习极限学习机（FOS-ELM）使用python进行了实现，并基于一个简单的数据集对三种算法进行了比较，并比较了不同隐藏层节点对性能的影响。

加权ELM 二元问题的加权 ELM 代码 W. Zong, G.-B. Huang 和 Y. Chen，“用于不平衡学习的加权极限学习机”，神经计算，卷。 101，第 229-242 页，2013 年。

极限学习机matbal程序，里面有由预测和训练程序极限学习机是一类针对单层前馈神经网络设计的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中。

关于elm进行回归预测的分析，使用方法很简单，只需输入训练集和测试集就可以进行elm预测了，预测的结果会保存在相应的.mat文件里，详细操作请看代码里的操作说明。资源里有调用函数ELM.m，执行函数guidence.m文件，作为调用实例，直接运行就可以了，简单易懂，汉语注释说明等。运行结果会直接输出测试集的MAE, RMSE, MAPE, DISTAT这几个统计量