爬山算法优化遗传算法优化极限学习机的多分类预测，p-ga-elm多分类预测

目录

背影
极限学习机
爬山算法优化遗传算法优化极限学习机的多分类预测，p-ga-elm多分类预测

主要参数
MATLAB代码
效果图
结果分析
展望
完整代码下载链接：爬山算法优化遗传算法优化极限学习机的多分类预测，p-ga-elm多分类预测（代码完整，数据）资源-CSDN文库 https://download.csdn.net/download/abc991835105/88762258

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，本文通过基于爬山算法优化遗传算法优化极限学习机的多分类预测，p-ga-elm多分类预测

摘要

极限学习机原理，，爬山算法优化遗传算法优化极限学习机的多分类预测，p-ga-elm多分类预测

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（