✅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
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)。
传统的单隐层神经网络由三部分组成，分别是输入层、隐含层和输出层，输入层神经元节点个数即输入变量的个数，隐含层节点个数则需要人为给定，输出层节点个数也就是输出变量的个数。在2006年，新加坡南洋理工大学的Huang等[16]在传统的单隐层神经网络的基础上提出了一种新的前馈神经网络学习算法，命名为极限学习机(extremelearningmachine，ELM)，不同于传统的基于梯度的前馈神经网络算法，该方法随机产生隐含层与输入层之间的连接权值及隐含层神经元的阈值，训练过程中只需要设置隐含神经元的个数便可获得唯一最优解，极限学习机网络结构如图1所示。
⛄ 部分代码
clear all
clc
addpath('codes')
randn('state',0);
%% load data
load ('data.mat')
%% define options
Nlayers=19;
H=zeros(1,Nlayers);
H(:,:)=45;
Options.Layers=H;
Options.N=sum(Options.Layers);
%% Apllication
clc
[net]=ELM(x,y,xt,yt,Options)
[net2]=MSELM(x,y,xt,yt,Options)
%%
%save('RUL')
⛄ 运行结果
⛄ 参考文献
[1]王欣, 秦斌, 俞方罡. 基于极限学习机(ELM)的污水处理过程预测控制方法:, CN111650834A[P]. 2020.
[2]强跃李绍红刘超琼. 基于多尺度组合核极限学习机模型的隧道围岩变形r预测及应用[J]. 现代隧道技术, 2017, 54(6):70-76.
