首页 > TAG信息列表 > 学习机
MATLAB程序，多元宇宙算法优化极限学习机，MVO_ELM 。可用于数据分类回归预测
MATLAB程序，多元宇宙算法优化极限学习机，MVO_ELM 。可用于数据分类回归预测 5338.49627011222729乐天1997基于粒子群算法优化核极限学习机实现数据预测matlab代码
1 简介 煤与瓦斯突出是煤矿煤炭生产过程中面临的主要动力灾害之一。研究表明,在有发生煤与瓦斯突出的矿井中,煤层均发育一定程度的构造煤,且构造煤厚度越大,瓦斯突出的危险性越严重。因此,如果能够准确预测出煤层中构造煤的厚度,将对煤矿的安全管理和煤层气的开发与利用起到至基于遗传算法优化核极限学习机实现数据预测matlab代码
1 简介 工业过程常含有显著的非线性,时变等复杂特性,传统的核极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差.为了提高核极限学习机的泛化能力和预测精度,提出一种遗传算法结合核极限学习机软测量建模方法.通过遗传优化极限学习机的惩罚系数和核宽,得到一组中国便携式电子学习产品行业运营模式分析及未来前瞻报告2021-2027年
中国便携式电子学习产品行业运营模式分析及未来前瞻报告2021-2027年 第一章 2019-2021年便携式电子学习产品市场分析 1.1 2019-2021年市场总体发展状况分析 1.1.1 ELP行业演变史简述 1.1.2 ELP行业发状况综合分析 1.1.3 我国便携式电子学习产品市场发展综述 1.1.4 国内便Matlab基于遗传算法改进极限学习机ELM实现数据预测
一、极限学习机的概念 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。 ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。 二、极限学习机【预测模型】基于樽海鞘算法的极限学习机（ELM）回归预测 Matlab代码
一、极限学习机 单隐藏层反馈神经网络具有两个比较突出的能力： （1）可以直接从训练样本中拟 合 出 复 杂 的 映 射 函 数f :x ^ t （2 ）可以为大量难以用传统分类参数技术处理的自然或者人工现象提供模型。但是单隐藏层反馈神经网络缺少比较快速的学习方 法 。误差反向【预测模型】基于狮群算法改进核极限学习机(KELM)分类算法 matlab源码
一、核极限学习机 本文将介绍一种新的SLFN的算法，极限学习机，该算法将随机产生输入层和隐含层间的连接权值和隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层的神经元的个数，便可以获得唯一最优解，与传统的训练方法相比，该方法具有学习速率快、泛化性能好等优点。 Python实现长短记忆神经网络（LSTM）预测极限学习机（ELM）残差并累加的时间序列预测
本实验使用环境为Anaconda3 Jupyter，调用Sklearn包，调用keras包,请提前准备好。 1.引入一些常见包 主要有keras包、numpy包、metrics包、pandas包等。 import csv import numpy as np import time from sklearn.preprocessing import StandardScaler from sklearn.model_select基于麻雀算法优化的核极限学习机(KELM)回归预测 -附代码
基于麻雀算法优化的核极限学习机(KELM)回归预测 文章目录 基于麻雀算法优化的核极限学习机(KELM)回归预测1.KELM理论基础2.回归问题数据处理4.基于麻雀搜索算法优化的KELM5.测试结果6.Matlab代码 摘要：本文利用麻雀搜索算法对核极限学习机(KELM)进行优化，并用于回归预测.