✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
极限学习机(ExtremeLearningMachine，ELM)模型作为典型的单隐含层前馈神经网络，具有学习速度快，泛化能力较好的特点［15］，但它采用梯度迭代法按照最大下降速度方向进行运算，往往需要设置较多的代数，容易陷入局部最优解。本文采用遗传算法(GeneticAlgorithm，GA)对其隐含层的初始权值与阈值进行优化，遗传算法是一种典型的动态随机搜索算法，该算法的优化过程借鉴了生物学中的进化理论，主要包括选择、交叉以及变异3个过程［16］。选择操作是基于群体中个体的适应度而进行的，目的是选择当代最优个体进入下一代的种群;交叉操作是遗传算法中最主要的步骤，作用是使群体中的不同个体相互作用产生新个体，从而增加种群的多样性;变异操作是指个体基因链的值随机变化，目的还是增加种群的多样性，详细步骤可参见文献［17］。遗传算法优化极限学习机(GA－ELM)的具体构建过程可以概述为:确定ELM的输入与输出样本集;确定对ELM初始权值及阈值的编码方式，采用二进制编码;随机采样产生第一代种群;分别进行选择、交叉以及变异的算子操作过程;计算每个个体的适应值，并排序选优;按照既定规则更新产生下一代种群直至满足终止条件为止，终止条件设置为预测值与期望值的误差矩阵的范数小于某一设定值(0．00001)，具体模型流程如图1所示。
⛄ 部分代码
function Y = elmpredict(P,IW,B,LW,TF,TYPE)
% ELMPREDICT Simulate a Extreme Learning Machine
% Syntax
% Y = elmtrain(P,IW,B,LW,TF,TYPE)
% Description
% Input
% P - Input Matrix of Training Set (R*Q)
% IW - Input Weight Matrix (N*R)
% B - Bias Matrix (N*1)
% LW - Layer Weight Matrix (N*S)
% TF - Transfer Function:
% 'sig' for Sigmoidal function (default)
% 'sin' for Sine function
% 'hardlim' for Hardlim function
% TYPE - Regression (0,default) or Classification (1)
% Output
% Y - Simulate Output Matrix (S*Q)
% Example
% Regression:
% [IW,B,LW,TF,TYPE] = elmtrain(P,T,20,'sig',0)
% Y = elmtrain(P,IW,B,LW,TF,TYPE)
% Classification
% [IW,B,LW,TF,TYPE] = elmtrain(P,T,20,'sig',1)
% Y = elmtrain(P,IW,B,LW,TF,TYPE)
% See also ELMTRAIN
% Yu Lei,11-7-2010
% Copyright www.matlabsky.com
% $Revision:1.0 $
if nargin < 6
error('ELM:Arguments','Not enough input arguments.');
end
% Calculate the Layer Output Matrix H
Q = size(P,2);
BiasMatrix = repmat(B,1,Q);
tempH = IW * P + BiasMatrix;
switch TF
case 'sig'
H = 1 ./ (1 + exp(-tempH));
case 'sin'
H = sin(tempH);
case 'hardlim'
H = hardlim(tempH);
end
% Calculate the Simulate Output
Y = (H' * LW)';
if TYPE == 1
temp_Y = zeros(size(Y));
for i = 1:size(Y,2)
[max_Y,index] = max(Y(:,i));
temp_Y(index,i) = 1;
end
Y = vec2ind(temp_Y);
end
⛄ 运行结果
⛄ 参考文献
[1]胡庆国, 田学泽, 何忠明. 基于遗传算法优化极限学习机的绿色建筑投资估算方法[J]. 建筑经济, 2020.
