注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 在线顺序极限学习机OS-ELM的python实现

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

  3. 所属分类：讲义

    • 发布日期：2015-04-25
    • 文件大小：132kb
    • 提供者：google19890102

  1. 基于python的os-elm文件

  2. 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！

  3. 所属分类：机器学习

    • 发布日期：2018-04-11
    • 文件大小：157kb
    • 提供者：weixin_41676681

  1. OSELM的技术讲解与代码实现（python）

  2. 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

  3. 所属分类：机器学习

    • 发布日期：2018-04-12
    • 文件大小：1mb
    • 提供者：qq_20945297

  1. 西门子 S120单轴和多轴驱动系统.pdf

  2. 西门子 S120单轴和多轴驱动系统pdf,西门子 S120单轴和多轴驱动系统unamic s120系列从书 s120驱动器&伺服电机选型手册 第一部分 一共直流母线的多轴驱动器 控制单元 电源模块 电机模块 典型结构 书本型装机装柜型 书本型 装机装柜型 典型配置图 装有 Starter(或 SCOUT)和 Simatic Manager软件的PC机, 或S7-300400、 Simotion o/D/P 24V DL 说明: 1:主控制模块CU320 2:电源模块SIM或ALM +24V电

  3. 所属分类：其它

  1. 基于在线序列极限学习机的车牌字符识别方法

  2. 当前基于神经网络方法的车牌字符识别技术都使用固定的训练样本，学习的效果受初始样本限制，对于识别过程中新出现的不同角度、光线等特征的字符图片不能自适应地学习。本文针对这个问题提出了基于在线序列极限学习机（OS-ELM）的车牌字符识别方法。在样本实时更新中使系统自适应调整网络权值，不断提高识别准确率。本文设计了汉字、字母、字母混合数字三个字符分类器，根据车牌字符的排列特征识别相应的字符。

  3. 所属分类：其它

    • 发布日期：2020-07-20
    • 文件大小：91kb
    • 提供者：weixin_38686557

  1. 一种基于遗忘机制的在线深度极限学习机

  2. 深度学习的发展促进了深度在线学习的发展，在线学习往往有较强的实效性。在在线极限学习机原理和深度极限学习机自动编码器原理的基础上，提出无监督的在线深度极限学习机自动编码器；并将遗忘机制引入在线深度ELM-AE，提出FOS-DELM-AE；用FOS-DELM-AE做无监督的特征学习，FOS-ELM做有监督的目标学习，使OS-ELM具备深层网络结构的同时，具备在线学习的能力。最后通过基于指标RMSE和R-square的实验验证了该算法FOS-ELM的有效性。

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：497kb
    • 提供者：weixin_38625192

  1. 基于OS-ELM的风速修正及短期风电功率预测

  2. 随着时间的推移，风电场风电功率预测模型的适用性逐渐降低，导致预测精度下降。为了解决该问题，基于在线序列-极限学习机(OS-ELM)算法提出了风电场短期风电功率预测模型的在线更新策略，建立的OS-ELM模型将风电场的历史数据固化到隐含层输出矩阵中，模型更新时，只需将新产生的数据对当前网络进行更新，大大降低了计算所需的资源。采用极限学习机(ELM)算法对数值天气预报(NWP)的预测风速进行修正，并根据风电功率的置信区间对预测功率进行二次修正。实验结果表明，采用OS-ELM算法更新后的模型适用性增强，

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：593kb
    • 提供者：weixin_38684328

  1. emacs.d：包含电池的Emacs配置包-源码

  2. 合理的Emacs配置 这是我的emacs配置树，自2000年以来一直在使用和调整，对于其他Emacs用户（尤其是Web开发人员）来说，这可能是一个很好的起点。 如今，它在某种程度上适合OS X，但众所周知，它也可以在Linux和Windows上运行。 Emacs本身支持多种编程语言。 此配置为以下各项添加了改进的默认设置和扩展的支持，并按照我使用它们的大致顺序（从最大到最小）列出了以下内容： Haskell / Purescr ipt / Elm / OCaml Ruby / Ruby o

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：66kb
    • 提供者：weixin_42133861

  1. elmctron：榆木遇到电子-源码

  2. Elmctron 用Elm编写并使用Electron的TodoMVC应用程序。 你得到什么 SCSS会自动编译为CSS 。 Elm会自动编译为JS 。 监视HTML ， SCSS和Elm ，并在更新时触发自动重新加载。 Elm软件包会自动下载和安装。 当Electron应用程序启动时，将显示dev-tools 。 有关更多信息，请阅读。 安装 运行npm install 。 发展历程 运行npm run gulp 。 建立 运行npm run dist以针对所有平台（Linux，M

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：11kb
    • 提供者：weixin_42181888

  1. 基于限定样本序贯极端学习机的模拟电路在线故障诊断

  2. 为解决故障特征样本分批加入时分类模型的在线更新问题, 提出一种限定样本序贯极端学习机(LSSELM). LSSELM 通过逐步添加新样本, 同时剔除与其相似度最高的同类别旧样本来提高模型的动态适应能力, 并通过Sherman-Morrison 矩阵求逆引理来降低计算复杂度, 实现输出权值的递推求解, 完成模型的在线训练. 将LSSELM 用于模拟电路在线故障诊断, 结果表明相比在线序贯极端学习机(OS-ELM) 和LSSELM 的诊断准确率更高, 具有更好的泛化性能.

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：280kb
    • 提供者：weixin_38730821

  1. 一种基于增量加权平均的在线序贯极限学习机算法

  2. 针对在线序贯极限学习机(OS-ELM)对增量数据学习效率低、准确性差的问题, 提出一种基于增量加权平均的在线序贯极限学习机(WOS-ELM)算法.将算法的原始数据训练模型残差与增量数据训练模型残差进行加权作为代价函数,推导出用于均衡原始数据与增量数据的训练模型,利用原始数据来弱化增量数据的波动,使在线极限学习机具有较好的稳定性,从而提高算法的学习效率和准确性. 仿真实验结果表明, 所提出的WOS-ELM算法对增量数据具有较好的预测精度和泛化能力.

  3. 所属分类：其它

    • 发布日期：2021-01-13
    • 文件大小：208kb
    • 提供者：weixin_38643141

  1. 基于核映射极限学习机的入口氮氧化物预测

  2. 针对在线贯序极限学习机(OS-ELM)算法隐含层输出不稳定、易产生奇异矩阵和在线贯序更新时没有考虑训练样本时效性的问题,提出一种基于核函数映射的正则化自适应遗忘因子(FFOS-RKELM)算法.该算法利用核函数代替隐含层,能够产生稳定的输出结果.在初始阶段加入正则化方法,通过构造非奇异矩阵提高模型的泛化能力;在贯序更新阶段,通过新到的数据自动更新遗忘因子.将FFOS-RKELM算法应用到混沌时间序列预测和入口氮氧化物时间序列预测中,相比于OS-ELM、FFOS-RELM、OS-RKELM算法,可

  3. 所属分类：其它