粒子群(PSO)优化的极限学学习机(ELM),用粒子群优化算法优化的极限学习机,可用于数据的回归和分类,实测比单纯的极限学习机精度高的多。
2024/9/26 13:02:24 71KB PSOELM ELM PSO 粒子群算法
1
OS-ELM是ELM的一个进化版本,使得ELM具有了增量学习的潜质,也就是说,我们前期通过一个批量学习,获得一个基础的β,后期再有新的数据进来,我们就不用再将以前的数据拿来再处理一遍了,只需要将新的数据处理结果按照一定的公式添加进去,获得新的β就可以了,这样一来大大减少了数据的处理量,使得算法不至于在越来越大规模的数据上崩溃,进入获得了无限的发展潜力,实现自我进化。
技术讲解+代码实现
2024/8/4 6:49:14 1.18MB OS-ELM
1
在不断发展的JavaScript编程领域,响应式编程技术正变得愈加流行。
这一系列文章试图向大家介绍该方法目前的进展,介绍各种可用技术,以及该领域产生的变化。
从Elm等新语言到Angular2对RxJS的支持,无论从事什么工作的开发者均有相关新技术可供使用。
InfoQ的这篇文章已包含在“响应式JavaScript”系列文章中。
你可以订阅RSS并在内容更新后获得通知。
前端架构师正在快速向着函数响应式(Functionalreactive)的模式跃进。
函数式HTML、单向数据流或单态树(Singlestatetree)是该模式的重要元素。
RxJS和不可变性的作用被高估了。
SAM模式的不同之处在于,它
1
elm回归及分类:ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。
2004年由南洋理工大学黄广斌副教授提出。
传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,并且很容易产生局部最优解。
极限学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此具有学习速度快且泛化性能好的优点。
2024/7/1 18:12:12 9KB elm
1
使用emd进行回归预测的代码,使用方法结单,只需输入训练集和测试集就可以进行emd预测了,预测的结果会保存在相应的.mat文件里,详细操作请看代码里的操作说明。
资源里有demo,guidence.m文件里有调用实例,直接复制到commandwindows里运行就可以了,简单易懂,汉语注释说明等。
运行结果会直接输出测试集的MAE,RMSE,MAPE,DISTAT这几个统计量
2024/4/25 9:55:47 4KB elm MAE RMSE MAPE DISTAT
1
量子遗传算法优化ELMmatlab源码
2024/3/20 13:12:34 13KB PSOELM
1
对数据降维,进一步精选数据,ELM最大的特点是对于传统的神经网络,尤其是单隐层前馈神经网络(SLFNs),在保证学习精度的前提下比传统的学习算法速度更快。
内部附有两类样本数据可供使用。
2024/3/7 18:38:05 18.06MB 对数据降维
1
这是关于ELM算法的一篇论文。

ELM近年来越来越受大家的关注。
有兴趣的可以看看。
2024/2/13 18:23:38 417KB ELM
1
快速学习机算法,可以用来进行函数逼近和数据分类,类似于BP算法的功能,但是比BP快多了
2023/12/8 21:39:55 2KB ELM
1
较好的Adaboost程序代码。
只要按照格式带入数据就可运行。
2023/10/5 1:50:44 2KB Adaboost代码
1
共 23 条记录 首页 上一页 下一页 尾页
在日常工作中,钉钉打卡成了我生活中不可或缺的一部分。然而,有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚,我总是得牢记打开钉钉应用,点击"工作台",再找到"考勤打卡"进行签到。有时候因为工作忙碌,会忘记打卡,导致考勤异常,影响当月的工作评价。而且,由于我使用的是苹果手机,有时候系统更新后,钉钉的某些功能会出现异常,使得打卡变得更加麻烦。 另外,我的家人使用的是安卓手机,他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说,每次打卡都是一次挑战。他们总是担心自己会操作失误,导致打卡失败。 为了解决这些烦恼,我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习,我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03 15KB 钉钉 钉钉打卡