极限学习机（ExtremeLearningMachine,ELM）是一类基于前馈神经网络（feedforwardneuronnetwork）的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。
ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中。
ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中。
2025/3/9 14:55:18
4.24MB
1
与博文（http://blog.csdn.net/google19890102/article/details/45273309）配套的实验
2024/12/15 3:27:21
132KB
1
BP神经网络、ELM极限学习机、SVM支持向量机MATLAB代码，以及测试数据，用于回归预测，相关细节可以在下方评论，看到时一一解答。
2024/12/4 7:37:32
12KB
1
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
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
技术讲解+代码实现
2024/8/4 6:49:14
1.18MB
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
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
2024/7/27 9:39:43
283KB
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。
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
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
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
1
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