一种基于python编写的os-elm文件，上传了测试代码，供大家参考和学习！

通过python中的pyoselm包直接调用os-elm模型，无需自己搭建，直接简单调用，可预测可分类。本资源包括简单例子和pyoselm包源文件，感兴趣的朋友可以研究一下。

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。

在线ELM，OS-ELM;核极限学习机;BD-ELM;elm-ae;RES-ELM;SC-ELM等各种极限学习机matlab 代码

在线顺序极限学习机，可以实现对大量数据的实时在线预测及其分类效果

OS-ELM是ELM的一个进化版本，使得ELM具有了增量学习的潜质，也就是说，我们前期通过一个批量学习，获得一个基础的β，后期再有新的数据进来，我们就不用再将以前的数据拿来再处理一遍了，只需要将新的数据处理结果按照一定的公式添加进去，获得新的β就可以了，这样一来大大减少了数据的处理量，使得算法不至于在越来越大规模的数据上崩溃，进入获得了无限的发展潜力，实现自我进化。 技术讲解+代码实现

与博文（http://blog.csdn.net/google19890102/article/details/45273309）配套的实验