Advertisement

SaDE_ELM自适应进化极限学习机程序源码及使用说明

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本资源提供SaDE_ELM自适应进化极限学习机的完整源代码及其详细使用指南。该算法结合差分进化与ELM，适用于各类机器学习任务，可有效提升模型性能与泛化能力。 输入参数：TrainingData_File=sinc_train; % 训练集 TestingData_File=sinc_test; % 测试集 Elm_Type=0; % 0代表回归，1代表分类 NumberofHiddenNeurons=10; % 隐藏层神经元的个数 Max_FES=20000; % elm_x函数最大调用次数 Lbound=-10; % 突变向量左边界（最小值） Ubound=10; % 突变向量右边界（最大值） NP=30; % 种群数量 Max_Gen=100; % 种群进化次数 F_par=0.5; % 均值为0.5，方差为0.3的正态分布 CR=0.5; % 均值为0.5，方差为0.1

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • SaDE_ELM自适应进化极限学习机程序源码及使用说明
    优质
    本资源提供SaDE_ELM自适应进化极限学习机的完整源代码及其详细使用指南。该算法结合差分进化与ELM，适用于各类机器学习任务，可有效提升模型性能与泛化能力。 输入参数：TrainingData_File=sinc_train; % 训练集 TestingData_File=sinc_test; % 测试集 Elm_Type=0; % 0代表回归，1代表分类 NumberofHiddenNeurons=10; % 隐藏层神经元的个数 Max_FES=20000; % elm_x函数最大调用次数 Lbound=-10; % 突变向量左边界（最小值） Ubound=10; % 突变向量右边界（最大值） NP=30; % 种群数量 Max_Gen=100; % 种群进化次数 F_par=0.5; % 均值为0.5，方差为0.3的正态分布 CR=0.5; % 均值为0.5，方差为0.1
  • 极限学习机的Python程序_极限学习机
    优质
    本项目提供了一种用Python实现的极限学习机算法代码，旨在为机器学习爱好者和研究者提供一个高效、易懂的学习资源。 机器学习算法之极限学习机的Python实现程序
  • 基于差分进化的极限学习机程序代码优化(DE-ELM)
    优质
    本研究提出了一种基于差分进化算法优化的极限学习机模型（DE-ELM），旨在通过改进程序代码来提升机器学习任务中的分类与回归性能。 程序已准备好，并包含训练和测试数据集。每个模块都是独立编写的，具有良好的可读性和高利用率。
  • 核极限学习机_核极限学习机_极限学习机_核极限学习机.zip
    优质
    该资源为核极限学习机相关资料，包含算法介绍、源代码及应用案例。适用于研究机器学习与神经网络领域的学者和开发者。下载后请查阅文件中的详细说明以了解具体内容和使用方法。 核极限学习机 极限学习机 核极限学习机 核极限学习机.zip
  • 核极限学习机(KELM)算法及其源代码优化：基于极限学习机(ELM)的改进版本，已测试通过！
    优质
    本项目介绍并实现了核极限学习机（KELM）算法，它是极限学习机（ELM）的一种高效改进版。提供详细文档与优化后的源代码，经过充分验证。 核极限学习机通过引入核函数（可选择多种不同的核函数）来解决ELM求解问题，并且一旦参数选定后结果就会稳定下来，不再包含随机因素。以下是该版本的代码，在原有基础上进行了改进以便于理解，并经过测试确认其稳定性与可用性，适合用于探究和学习。 ```matlab function model = elm_kernel_train(TrainingData, C, Kernel_type, Kernel_para) % Usage: model = elm_kernel_train(TrainingData,C,Kernel_type, Kernel_para) % Input: % TrainingData - m*n 训练数据集，包含m个样本实例以及n-1个特征， % 第一列表示标签。 % % C - 正则化系数C（通常很小）。 % % Kernel_type 核函数类型 % ``` 注意：代码中的`Kernel_para`参数用于指定核函数的具体设置或参数。
  • 基于差分进化的极限学习机MATLAB代码
    优质
    本项目提供了一种基于差分进化算法优化的极限学习机（ELM）的MATLAB实现代码，适用于各类机器学习分类与回归任务。 采用差分进化算法对极限学习机进行优化选择。
  • 粒子群算法优化极限学习机PSO_ELM.zip_极限学习机优化_elm_PSO_ELM
    优质
    本资源提供一种基于粒子群优化的极限学习机（PSO-ELM）代码实现。通过改进的PSO算法，有效提升ELM模型性能与泛化能力，适用于机器学习领域研究和应用。 PSO粒子群算法优化极限学习机ELM参数，即PSO-ELM。
  • OSELM_VARY.m-在线序列阶极限学习机源代码
    优质
    本代码实现OSELM_VARY.m算法，为一种高效的在线序列极限制学习机器学习模型。适用于数据流环境下的增量式学习任务。 在线序列阶极限学习机源代码OSELM_VARY.m用于分类和回归任务。主要调节的参数是N0，这个值通常设置为训练数据量的大约2/3以获得较好的结果。
  • ELM极限学习机的Matlab源代码
    优质
    本资源提供了ELM（Extreme Learning Machine）极限学习机在MATLAB环境下的完整实现代码。此开源项目适合机器学习研究者和开发者使用，旨在简化和支持快速原型设计与算法测试。 这段文字描述的数据集包含近红外光谱数据，适用于回归分析和判别分析。数据采集规范且有效，代码支持一键运行。欢迎下载并共同交流讨论。