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. PSO-ELM（源码）

  2. 量子遗传算法优化ELM matlab源码

  3. 所属分类：其它

    • 发布日期：2016-05-15
    • 文件大小：13kb
    • 提供者：javaycode

  1. 粒子群优化的极限学习机matlab源代码

  2. PSO-ELM粒子群优化的极限学习机，通过调节参数拟合效果很好，便于大家使用，为学者和科研人员提供基础和思路

  3. 所属分类：互联网

    • 发布日期：2017-09-17
    • 文件大小：34kb
    • 提供者：qq_33791636

  1. PCA+PSO-ELM.rar

  2. 首先对数据进行PCA，然后输入至PSO优化的ELM中进行分类，python代码

  3. 所属分类：机器学习

    • 发布日期：2019-07-29
    • 文件大小：6mb
    • 提供者：qq_41043389

  1. 机器学及其matlab实现—从基础到实践.zip

  2. 第一课:MATLAB 入门基础 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(Particle Swarm Optimization, PSO)算

  3. 所属分类：机器学习

    • 发布日期：2020-03-11
    • 文件大小：34mb
    • 提供者：qq_37495989

  1. 极限学习机在采空区自然发火预测中的应用

  2. 针对采空区煤炭自然发火的预测问题,从温度、标志气体浓度以及钻孔参数3个方面选取了8个相关因素,利用Logistic回归分析从中提取出5个相对重要的因素作为预测模型的输入,运用极限学习机算法进行预测,并采用粒子群算法对极限学习机的输入权值及隐含层阈值作优化选取,以提高其泛化能力及预测精度,以此建立了PSO-ELM自然发火预测模型.选用28组训练样本和12组检验样本进行模型的预测实验,结果表明,基于Logistic回归分析筛选指标后的PSO-ELM模型有较高的预测精度,是预测采空区自然发火的一个有效

  3. 所属分类：其它

    • 发布日期：2020-06-28
    • 文件大小：725kb
    • 提供者：weixin_38706055

  1. 基于IGSA-ELM模型的回采工作面瓦斯涌出量预测

  2. 针对现有煤矿回采工作面瓦斯涌出量预测方法存在的预测时间较长,预测精度不高的问题,提出了用IGSA优化ELM神经网络的瓦斯涌出量预测模型。将优选策略和粒子的记忆、信息交换功能引入万有引力搜索方法,利用IGSA对ELM神经网络的网络隐含层节点数进行寻优,利用自相关系数法筛选出回采工作面瓦斯涌出量的8个主要影响因素,建立基于IGSA-ELM算法的瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经IGSA优化后的ELM神经网络瓦斯涌出量预测模型与PSO-ELM神经网络、ACC-

  3. 所属分类：其它

    • 发布日期：2020-07-16
    • 文件大小：203kb
    • 提供者：weixin_38741317

  1. 粒子群（PSO）优化的极限学学习机（ELM）

  2. 粒子群（PSO）优化的极限学学习机（ELM），用粒子群优化算法优化的极限学习机，可用于数据的回归和分类，实测比单纯的极限学习机精度高的多。

  3. 所属分类：机器学习

    • 发布日期：2020-11-14
    • 文件大小：71kb
    • 提供者：qq_35675502

  1. 睡眠阶段分期——SVM和ELM分别与粒子群算法结合（main）

  2. 摘要：本研究的目的是建立具有最佳准确率的分类模型,以心电图(ECG)信号为基础,使用心率变异性(HRV)特征来识别睡眠阶段。该方法是极端学习机器(ELM)和粒子群优化(PSO)的组合,用于特征选择和隐藏节点数的确定。ELM和PSO组合的2、3、4和6分类的测试精度分别为 82.1%, 76.77%, 71.52%, 62.66%。本文还比较了ELM和支持向量机(SVM)方法,其测试精度低于ELM和PSO的组合。根据结果,可以得出PSO方法的添加能够提高分类性能。 文献链接：https://iee

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：51kb
    • 提供者：weixin_38691453

  1. 基于改进粒子群算法的核极限学习机算法

  2. 摘要：内核极限学习机（KELM）通过将低维空间中的线性不可分离数据转换为线性可分离的数据，从而增强了ExtremeLearning Machine（ELM）的鲁棒性。 然而，ELM的内部功率参数是随机初始化的，导致算法不稳定。本文采用主动算子粒子游动优化算法（APSO）来获得KELM的最优初始参数集，从而创建了一个最优的KELM分类器名为APSO-KELM。 在标准遗传数据集上进行的实验表明，与现有的ELM，KELM相比，APSO-KELM具有更高的分类准确性，并且这些算法将PSO / APSO

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：986kb
    • 提供者：weixin_38746818

  1. 基于新型QPSO-KELM模型的电子鼻性能增强

  2. 提出了一种基于电子鼻（E-nose）技术的多分类细菌检测新方法，称为基于量子行为粒子群优化的核极限学习机（QPSO-KELM）。 在该实验中，从用于检测四种不同类型伤口（未感染和感染金黄色葡萄球菌，大肠杆菌和铜绿假单胞菌）的E鼻信号中提取出时域和频域特征。 此外，将KELM与现有的五种分类方法进行了比较：线性判别分析（LDA），二次判别分析（QDA），极限学习机（ELM），k最近邻（KNN）和支持向量机（SVM）。 同时，讨论了粒子群优化算法（PSO），遗传算法（GA）和网格搜索算法（GS）三种

  3. 所属分类：其它

  1. A Novel Evaluation Model of Water Quality Based on PSO-ELM Method

  2. 河流水质实时评价技术对当前河流水资源管理和保护具有重要意义。本文以淮河水质为例，利用粒子群优化的极限学习机（Particle Swarm Optimization-Extreme Learning Machine，PSO-ELM）分类算法对淮河水质进行类别判定。在极限学习机（ELM）分类算法中随机给定输入权值矩阵和隐含层偏置，需要较多的隐含层节点才能达到所需的精度要求，隐含层节点过多易于出现过拟合现象并增加算法的计算量。本文利用粒子群算法(PSO)优化极限学习机的输入权值矩阵和隐含层偏置，计算输

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：278kb
    • 提供者：weixin_38623009

  1. 一种新的混合智能极限学习机

  2. 提出一种基于差分进化(DE) 和粒子群优化(PSO) 的混合智能方法—–DEPSO 算法, 并通过对10 个典型函数进行测试, 表明DEPSO 算法具有良好的寻优性能. 针对单隐层前向神经网络(SLFNs) 提出一种改进的学习算法-----DEPSO-ELM 算法, 即应用DEPSO 算法优化SLFNs 的隐层节点参数, 采用极限学习算法(ELM) 求取SLFNs 的输出权值. 将DEPSO-ELM 算法应用于6 个典型真实数据集的回归计算, 并与DE-ELM、SaE-ELM 算法相比, 获得了

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：960kb
    • 提供者：weixin_38562079

  1. 基于WOA-ELM的数字化校园安全评价

  2. 基于准确高效地提高校园安全状况评价的精度，采用了鲸鱼优化算法（WOA）改进极限学习机的高校校园安全评价模型，通过将安全管理、校园环境和校园周边环境3个一级指标和影响校园安全的22个因素的二级评价指标得分和高校校园安全综合得分分别作为WOA-ELM的输入和输出，鲸鱼优化算法寻找极限学习机的最优初始权值和隐含层偏置，建立一种高校校园安全的WOA-ELM评价模型。研究结果表明，与GA-ELM、PSO-ELM和ELM相比，WOA-ELM模型的高校校园安全评价精度可以达到99.2%，为高校校园安全评价提供

  3. 所属分类：其它