极限学习机（ELM）

最新推荐文章于 2024-02-12 11:05:35 发布
最新推荐文章于 2024-02-12 11:05:35 发布
阅读量4.5k 收藏 6
点赞数 1
分类专栏： ELM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xtdx_xty/article/details/79187695
版权

什么是极限学习机？

ELM是由南洋理工大学黄广斌教授提出的单隐层神经网络。

elm具体内容在http://blog.csdn.net/google19890102/article/details/18222103有介绍。

关于ELM的一些质疑在http://www.csdn.net/article/2015-05-07/2824636有介绍。

主要代码在官网有贴出来http://www.ntu.edu.sg/home/egbhuang/elm_codes.html。

xtdx_xty
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
极限学习机
06-07
为了解决人工神经网络训练时间长的缺点，新加坡南洋理工大学教授黄广斌提出了一种全新的单隐藏层前馈神经网络－极限学习机（extreme learning machine ,ELM），该神经网络能够以极快的学习速度达到较好的泛化性能，从而解决了传统神经网络学习速度缓慢的限制，拓宽了极限学习机的应用范围，尤其是在大数据的应用场合。
简单易学的机器学习算法——极限学习机(ELM)
holly的专栏
01-24 2万+
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、极限学习机的原理 　　ELM是一种新型的快速学习算法，对于单隐层神经网络，ELM可以随机初始化输入权重和偏置
【极限学习机ELM与DELM——python实现与应用】
Wanderist_
05-23 2万+
一、对ELM算法与DELM算法的理解 ELM算法和神经网络算法我认为最大的区别在于：ELM不需要进行迭代，而是一次性通过标签计算出最后一层神经元的权重。而神经网络是通过梯度下降的方法，不断的根据loss值更新权重值。 因此我认为ELM算法不适合构造出更深的网络结构，但是减少了计算量，少了机器开销。而DELM相对于ELM加入了正则项的限制，防止过拟合。 二、算法描述（以ELM算法为例） 1....
基于向量加权平均算法的极限学习机(ELM)回归预测
最新发布
Jack旭的博客
02-12 844
典型的单隐含层前馈神经网络结构如图1 所示，由输入层、隐含层和输出层组成，输 入层与隐含层、隐含层与输出层神经元间全连接。其中，输入层有 n 个神经元，对应 n 个输入变量， 隐含层有 l个神经元；输出层有 m 个神经元 ，对应 m 个输出变量。
【ELM】动态自适应可变加权极限学习机ELM预测（Matlab代码实现）
weixin_46039719的博客
11-13 549
该文提出了一种新的长度可变极限学习机。该方法旨在提高单隐藏层前馈神经网络（SLFN）在丰富的动态不平衡数据下的学习性能。粒子群优化 （PSO） 涉及增量学习期间的超参数调整和更新。该算法使用燃气涡轮发动机C-MAPSS（商用模块化航空推进系统仿真）数据集的子集进行评估，并与其衍生物进行比较。结果表明，新算法具有较好的学习效果。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。
【ELM时序预测】基于多尺度集成极限学习机实现寿命预测附matlab代码
matlab_dingdang的博客
02-05 187
不可避免的存在众多缺点,其参数的随机选取导致一系列非最优参数的生成,使得所需隐含层节点数多于传统学习算法,影响其泛化性能,并导致系统的病态;在学习过程中仅仅只利用了输入参数的信息进行计算,而忽略了非常有价值的实际输出值;将其应用于工业生产中所得到的精度不能满足实际的标准等等.针对上述缺点,本文提出了一种对ELM的探路者搜索算法极限学习机(PFA-ELM)。
极限学习机(Extreme Learning Machine, ELM)原理详解和MATLAB实现
热门推荐
Yancy的博客
09-29 12万+
目录 引言 极限学习机原理 MATLAB中重点函数解读 极限学习机的MATLAB实践 引言 极限学习机不是一个新的东西，只是在算法（方法）上有新的内容。在神经网络结构上，就是一个前向传播的神经网络，和之前几篇博文讲的意义。 为什么我们需要ELM？ The learning speed of feedforward neural networks is in general fa...
极限学习机原理及Python实现（ELM）
莫比的博客
04-16 3781
超限学习机ELM的原理推导和Python代码实现
极限学习机（ELM）从原理到程序实现（附完整代码）
思绪无限的博客
06-07 10万+
摘要：极限学习机（ELM）是当前一类非常热门的机器学习算法，被用来训练单隐层前馈神经网络（SLFN）。本篇博文尽量通俗易懂地对极限学习机的原理进行详细介绍，之后分析如何用MATLAB实现该算法并对代码进行解释。本文主要内容如下：算法的原理、算法程序实现、点击跳转至全部文件下载页
极限学习机(ELM)的原理和matlab代码实现
配电网和matlab的博客
08-21 3215
本篇博客将介绍一个针对SLFN 的新算法——极限学习机(Extreme Learning Machine,ELM),该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值,且在训练过程中无需调整,只需要设置隐含层神经元的个数,便可以获得唯一的最优解。与传统的训练方法相比,该方法具有学习速度快、泛化性能好等优点。
极限学习机ELM代码
12-30
ELM极限学习机是一种学习速度快，应用灵活的算法，目前在回归和分类问题中已经得到广泛的应用
极限学习机ELM
12-15
极限学习机ELM的matlab源代码，可用于解决分类问题，回归问题
极限学习机ELM理论介绍
02-05
中文版，对黄广斌老师极限学习机简明的介绍，主要包括有极限学习机的定义，以及在及极限学习机中的各个参数的具体的代表的什么的理解。以及ELM的目前的研究现状
Elenn.rar_ELM_极限学习机_极限学习机 ELM
07-13
ELM是现在流行的超强学习机（也叫极限学习机）源码ELM是有效ELM的源码
极限学习机（ELM）算法的优化变种：核极限学习机（KELM）源代码，自测可用！
10-06
核极限学习机，引入核函数（多种核函数自选）解决ELM求解问题，一旦参数选定，结果就稳定下来，不再混入随机。在原来版本上加入自己理解改写，使得代码更容易理解。本版本自己测试过，稳定可用，适合探究学习！ ...
12.极限学习机（附matlab程序）
m0_57943157的博客
06-08 861
极限学习机（ELM, Extreme Learning Machines）是一种前馈神经网络，最早由新加坡南洋理工大学黄广斌教授于2006年提出。其发表的文章中对于极限学习机的描述如下：该算法具有良好的泛化性能以及极快的学习能力极限学习机(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。
极限学习机(Extreme Learning Machine,ELM)详解
山里娃的博客
12-23 8695
极限学习机的提出目的是为了解决人工神经网络训练时耗费的时间和高成本。对此，2004年由南洋理工大学的黄广斌提出了ELM学习理论。
极限学习机(extreme learning machine, ELM)的回归拟合及分类(matlab实现)
配电网和matlab的博客
07-10 2484
然而，传统的学习算法(如BP算法等)固有的一些缺点，成为制约其发展的主要瓶颈。本章将介绍一个针对SLFN的新算法——极限学习机(extreme learning machine, ELM),该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程 中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。随着研究的深入，一些专家提出了许多改进方法，如在线学习ELM、进化ELM等，同时，一些学者将其他算法中的思想(如SVM中的结构风险最小等)引入ELM中，亦取得了不错的效果。
极限学习机elm缺点
09-03
极限学习机（Extreme Learning Machine，ELM）是一种基于人工神经网络的机器学习算法，具有很多优点，但也存在一些缺点。 首先，ELM的主要缺点是过拟合问题。由于ELM网络只使用随机的隐藏层权重和偏置，没有对隐藏层进行训练，因此在某些情况下，ELM容易对训练数据过拟合，导致不能泛化到新的数据上。 其次，ELM算法对于超参数的选择比较敏感。包括隐藏层节点数、正则化参数等超参数的选择对于ELM算法的性能影响较大，如果选择不当，可能会导致性能下降。 此外，ELM算法在处理非线性问题时，可能无法取得与深度学习等算法相媲美的性能。虽然ELM可以处理一些非线性问题，但相对于深度学习等算法而言，其在复杂的非线性问题上的性能有限。 最后，ELM算法在处理大规模数据时存在一定的困难。由于ELM算法需要将所有的样本输入到网络中，然后进行权重的计算，因此当数据规模过大时，ELM算法可能无法高效地进行训练。 总的来说，虽然ELM算法具有快速训练、高效运算等优点，但其过拟合问题、对超参数选择敏感、处理非线性问题的限制以及对大规模数据的挑战等缺点也需要在实际应用中加以考虑。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值