通过python中的pyoselm包直接调用os-elm模型，无需自己搭建，直接简单调用，可预测可分类。本资源包括简单例子和pyoselm包源文件，感兴趣的朋友可以研究一下。

在线序列优化极限学习机源码，实现简单，性能较好，希望能对大家有所帮助。

ELM自动编码器 运行多层ELM 您必须从下载MNIST数据集，然后按照网站上的说明提取MNIST。 并将其放在名为“ mnist”的文件夹中 使用以下命令运行代码 [TrainingTime，TestingTime，TrainingAccuracy，TestingAccuracy] = MELM_MNIST25（0，0，3，[700,15000]，[1e-1,1e4,1e8]，0.05，[0.7,1]，[0.8,0.9]） 或者 [TrainingTime，TestingTime，TrainingAccuracy，TestingAccuracy] = MELM_MNIST25（0，0，3，[700,15000]，[1e-1,1e3,1e8]，0.05，[0.7,6]，[0.8,4]） 或较小的内存要求 [TrainingTime，TestingTime，TrainingAccura

function [TrainingTime,TestingTime,TrainingAccuracy, TestingAccuracy,TY_test,num,L,R,Q,F,TY]=BA_EM_ELM(train_data, test_data,Lmax,delta) global I; global T; global I_test; global T_test; global c; global d; global h0; %%%%%%%%%%% Load training dataset T=train_data(:,1)';%输出，1*N

用极限学习机算法建立训练集，用来预测所需要的曲线

基于准确高效地提高校园安全状况评价的精度，采用了鲸鱼优化算法（WOA）改进极限学习机的高校校园安全评价模型，通过将安全管理、校园环境和校园周边环境3个一级指标和影响校园安全的22个因素的二级评价指标得分和高校校园安全综合得分分别作为WOA-ELM的输入和输出，鲸鱼优化算法寻找极限学习机的最优初始权值和隐含层偏置，建立一种高校校园安全的WOA-ELM评价模型。研究结果表明，与GA-ELM、PSO-ELM和ELM相比，WOA-ELM模型的高校校园安全评价精度可以达到99.2%，为高校校园安全评价提供了新的方法。

榆木分类器信息 3D场景几何识别 使用低层特征和多层深层特征的3D场景几何体识别系统 该代码是在多层深度CNN上使用低级特征融合实现图像场景几何识别的方法（已接受）。 如果您对代码有任何疑问，请通过与Altafhan联系。 该系统在Matlab中实现。 该代码已在Linux（Ubuntu 18.x）和带有Matlab版本R2019b的Window 7上进行了测试。 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%此模型中提取了两种类型的特征。 深度CNN， 手工功能主文件为“ G_multilayersystem.m”，您可以通过“ G_multilayersystem.m”金字塔访问所有其他功能。 %%%%%%%%%%%%%%%%%%程序具有两个不同的模块：实施第一个ResNet模型，并提取五个不同阶段的特征，这些特征在每个阶段都与本地手工特征结合在一起。 （5个不同的阶段）5个阶段：表示5个分类器并联。 我们测试两个分类器； 在每个阶段都支持SVM和ELM。 ％SV

Elm：Elm中实现的所有算法

基于大数据算法与数据结构学习：ELM+OSELM+KELM+半监督SSELM+USELM的matlab程序

PSO-ELM 粒子群算法优化极限学习机