瑕疵检测代码-matlab 基于ELM的裂缝检测 基于MATLAB的裂纹检测的MATLAB实现。 先决条件 在4GB GTX960M上训练15-16小时后获得了结果。 该代码已通过Matlab2016b进行了测试。 Crack.m：将原始图片确定为小块。 spare_elm_autoencoder.m：用于ELM的备用自动编码器。 数据集 方法 通过滑动窗和随机旋转将收集的混凝土裂缝图像进行分割和扩展 稀疏的自动编码特征提取网络可以快速学习裂缝的特征。 接下来，使用在线顺序极限学习机来识别裂纹缺陷的特征 结果

榆木分类器分类 ELM和FLN分类该代码在matlab中生成2个clands的rand数据并将其绘制并通过ELM，FLN分类器进行分类

ELM极限学习实现汽油辛烷值预测（MATLAB源码+数据+预测结果），代码亲测可用，可根据论文要求更换数据集，本文一共提供60组数，50组作为训练，10组作为测试，测试结果非常不错，若果有条件可以引入相关优化算法提高预测精度。

基于自动编码器的ELM的机器学习模型（经过充分训练，Matlab R2009a） 基于自动编码器的ELM的机器学习模型（经过充分训练，Matlab R2009a） 基于自动编码器的ELM的机器学习模型（经过充分训练，Matlab R2009a） 基于自动编码器的ELM的机器学习模型（经过充分训练，Matlab R2009a）

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果

基于PSO优化ELM网络,并通过优化后的ELM进行数据预测对比传统的ELM网络+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

【费用预测】粒子群算法优化ELM神经网络预测费用【含Matlab源码 1378期】.zip

BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果

一种基于python编写的os-elm文件，上传了测试代码，供大家参考和学习！