资源下载: https://download.csdn.net/download/vvoennvv/89466233
分类算法资源合集: https://download.csdn.net/download/vvoennvv/89466519
目录
Matlab PSO-BP 基于粒子群算法优化BP神经网络的分类算法
Matlab GA-BP 基于遗传算法优化BP神经网络的分类算法
Matlab CNN-LSTM分类 卷积神经网络-长短期记忆神经网络组合模型
一,概述
ELM(Extreme Learning Machine)是一种单层前馈神经网络结构,与传统神经网络不同的是,ELM的隐层神经元权重以及偏置都是随机产生的,并且在网络训练过程中不会更新。这种随机初始化的方法使得ELM的训练速度非常快,同时避免了传统神经网络中需要反复调整权重的问题。 ELM的训练过程可以概括为以下几步:
- 随机初始化隐层神经元的权重和偏置,构建网络结构。
- 将训练数据输入到网络中,得到隐层神经元的输出。
- 对隐层神经元的输出和训练数据的标签进行线性回归,得到输出层的权重。
- 在测试阶段,将输入数据输入到网络中,通过隐层神经元和输出层权重计算输出结果。 ELM 的优点在于它的训练速度非常快,同时具有较好的泛化能力和适用于大规模数据的特点。但是,它的缺点在于随机初始化可能会导致结果不稳定,而且网络结构过于简单,可能无法处理复杂的非线性问题。因此,在实际应用中需要根据具体问题进行权衡选择。
二,代码
代码中文注释非常清晰,按照示例数据修改格式,替换数据集即可运行,数据集为excel。
部分代码示例如下:
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 读取数据
res = xlsread('数据集.xlsx');
%% 分析数据
num_class = length(unique(res(:, end))); % 类别数(Excel最后一列放类别)
num_res = size(res, 1); % 样本数(每一行,是一个样本)
num_size = 0.7; % 训练集占数据集的比例
res = res(randperm(num_res), :); % 打乱数据集(不打乱数据时,注释该行)
flag_conusion = 1; % 标志位为1,打开混淆矩阵(要求2018版本及以上)
%% 设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];
%% 划分数据集
for i = 1 : num_class
mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本
mid_size = size(mid_res, 1); % 得到不同类别样本个数
mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数
P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入
T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出
P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入
T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出
end
%% 数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';
......