事实证明，极限学习机（ELM）是广泛领域中一种有效的学习范例。 使用内核函数方法而不是隐藏层，KernelELM克服了由随机分配的权重引起的变化问题。 本文在半监督极限学习机（SSELM）中引入了基于核的优化，并通过实验对性能的改进进行了评估。 结果表明，通过内核功能的优化，KernelSSELM可以实现更高的分类精度和鲁棒性。 另外，内核SSELM用于在城市交通评估和预测系统中训练交通拥堵评估框架。

用于单层前馈神经网络（SLFN）的极限学习机（ELM）是一种强大的机器学习技术，并且以其快速的学习速度和良好的泛化性能而受到关注。 最近，提出了加权ELM来处理具有不平衡类分布的数据。 加权ELM的关键本质是为每个训练样本分配了额外的权重。 尽管提供了一些经验加权方案，但是如何确定更好的样本权重仍然是一个悬而未决的问题。 在本文中，我们提出了一种Boosting加权ELM，它将加权ELM无缝地嵌入到经过修改的AdaBoost框架中，以解决上述问题。 直观地，反映训练样本重要性的AdaBoost框架中的分布权重被输入到加权ELM中作为训练样本权重。 此外，在两个方面对AdaBoost进行了修改，以更有效地实现不平衡学习：（i）初始分布权重设置为不对称，以便AdaBoost以更快的速度收敛； （ii）针对不同类别分别更新分配权重，以避免破坏分配权重的不对称性。 对KEEL存储库中的16个二进制数据集和5个多类数据集的实验结果表明，与加权ELM相比，该方法可以实现更均衡的结果。

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仿真代码

ELM神经网络结构优化与辨识，李晓理 ，李晓理 ，本文通过针对钢厂矿渣微粉比表面积与选粉机转速之间关系的辨识优化,以及单容水箱水位的辨识优化两个实例来具体探索ELM神经网络隐��

本文做了大量实验对提出的相关算法进行评价，证明所提出的算法是有效和可行 的。最后，对研究工作中遇到的问题进行了分析和总结，并提出了建设性的解决方案。

基于ELM的图像分类与稳健回归算法研究 论文

这是一份能够运行得通的代码，请放心下载，极限学习机。

——《UWF主要命令》 uwfmgr.exe get-config   （查看UWF配置） uwfmgr.exe filter enable   （开启uwf）因为我已经开启了嘛以前 ：（ uwfmgr.exe filter disable    （关闭） uwfmgr.exe overlay set-size 10240    (设置使用的内存大小） 早先已经设置过了 ：（ uwfmgr.exe overlay set-warningthreshold 9000  （设置警告阈值 根据自己内存大小） uwfmgr.exe overlay set-criticalthreshold 10000   （设置严重警告阈值） uwfmgr.exe volume protect c:        (一般必须保护c盘 而且不能排除C目录 只能排除子目录下的文件夹） uwfmgr.exe file add-exclusion c:\AV   (排除文件夹） uwfmgr servicing Update-Windows (容許系统更新)

运用粒子群算法对ELM算法进行优化，以达到算法的最优性。

elm 和 KernelＥｌｍ的ｍａｔｌａｂ代码。 详情见ｇｉｔｅｅ项目地址： https://gitee.com/wllw7176/ELM-matlab 获取方法：: git clone https://gitee.com/wllw7176/ELM-matlab.git