基于核极限学习机的回归分析，基于极限学习机的预测

目录

背影
极限学习机
基于核极限学习机的回归分析

主要参数
MATLAB代码
效果图
结果分析
展望
完整代码下载链接：（代码完整，数据齐全）资源-CSDN文库 https://download.csdn.net/download/abc991835105/88768798

背影

极限学习机是在BP神经网络上改进的一种网络，拥有无限拟合能力，但是容易过拟合，本文通过基于核极限学习机的回归分析

摘要

极限学习机原理，基于核极限学习机的回归分析

极限学习机

极限学习机（Extreme Learning Machine, ELM）或“超限学习机”是一类基于前馈神经网络（Feedforward Neuron Network, FNN）构建的机器学习系统或方法，适用于监督学习和非监督学习问题
[1]
。ELM在研究中被视为一类特殊的FNN，或对FNN及其反向传播算法的改进，其特点是隐含层节点的权重为随机或人为给定的，且不需要更新，学习过程仅计算输出权重
[2]
。传统的ELM具有单隐含层，在与其它浅层学习系统，例如单层感知机（single layer perceptron）和支持向量机（Support Vector Machine, SVM）相比较时，被认为在学习速率和泛化能力方面可能具有优势
[2]
。ELM的一些改进版本通过引入自编码器构筑或堆叠隐含层获得了深度结构，能够进行表征学习