基于遗传算法改进的极限学习机分类识别，ga-elm分类识别

目录
背影
极限学习机
基于遗传算法改进的极限学习机ELM分类识别

主要参数
MATLAB代码
效果图
结果分析
展望
完整代码下载链接：https://download.csdn.net/download/abc991835105/88169301

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，本文通过遗传算法优化极限学习机的权值和偏置，寻求训练测试兼顾，泛化能力好的网络

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

遗传算法

基本定义

传算法的起源可追溯到20世纪60年代初期。1