搜索资源列表
anfis-elm-pso-master
- matlab。优化PSOELM算法源码，粒子群优化算法极限学习机(The matlab. Optimal PSOELM algorithm source code, the particle swarm optimization algorithm is extreme learning machine)
ELM
- 极限学习机（ELM）的MATLAB完整实现程序，有完整注释并已测试通过，资源中包含了测试脚本和数据集，算法的原理和实现(The matlab implementation program of elm has a complete annotation and passed the test. The resource contains the test scr ipt and data set. The principle and implementation of the algorithm
神经网络入门13课源码
- 神经网络入门13课源码 第一课 MATLAB入门基础 第二课 MATLAB进阶与提高 第三课 BP神经网络 第四课 RBF、GRNN和PNN神经网络 第五课 竞争神经网络与SOM神经网络 第六课 支持向量机( Support Vector Machine, SVM ) 第七课 极限学习机( Extreme Learning Machine, ELM ) 第八课 决策树与随机森林 第九课 遗传算法( Genetic Algorithm, GA ) 第十课 粒子群优化( Part
GA-ELM_2 v2.0
- matab遗传算法工具箱以及极限学习机+遗传算法优化压缩包(Genetic Algorithm toolbox for matlab 2020b and Limit learning machine + genetic algorithm optimization package)
PSO-ELM
- PSO-ELM 粒子群算法优化极限学习机(PSO-ELM Particle swarm optimization for extreme learning machine)
ELM_PSO-master
- 为了提升配网供电可靠性的预测精度!提出了基于主成分分析和粒子群优化极限学习机的配网供电可靠 性预测模型$ 从多方面分析影响供电可靠性的指标!利用主成分分析得到综合变量!实现对数据的降维$ 在此基 础上!构建人工神经网络并利用粒子群算法优化极限学习机的输入权值和阈值!完成对训练供电可靠性预测模型 的训练$ 以某大型电网的 ?L 个供电局样本 !% 种影响供电可靠性因素为例进行仿真分析!并将 E S R C E FQ C 4 G D算 法与 ! 种回归拟合算法对比!验证了该方法的有效性(It i
SSA（樽海鞘群算法）
- 使用樽海鞘算法结合极限学习机，应用风电场数据，根据风速温度等条件对风功率进行预测，效果不错(The thalassella algorithm combined with extreme learning machine is used to predict wind power according to wind speed, temperature and other conditions with wind farm data)
ELM_样例
- 极限学习机（Extreme Learning Machine, ELM）用来训练单隐藏层前馈神经网络（SLFN）与传统的SLFN训练算法不同，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过激活函数函数，依据Moore-Penrose（MP）广义逆矩阵理论计算解析求出。(Extreme learning machine (ELM) is used to train single hidden layer feedforward neural network (SLFN). Differe
ELM算法故障诊断
- 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。
基于PCA+PSO-ELM的工程费用估计
- 利用主成分分析法结合粒子群（PSO）优化极限学习机(ELM)进行工程费用估计预测(In this paper, principal component analysis (PCA) combined with particle swarm optimization (PSO) optimization extreme learning machine (ELM) is used to estimate and forecast engineering cost)
结合双模多尺度 ＣＮＮ 特征及自适应深度ＫＥＬＭ 的浮选工况识别
- 针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码
ELM
- 极限学习机代码，MATLAB的，可以做分类或者预测，希望可以帮助到大家