?作者簡介：熱愛科研的Matlab仿真開發者，修心和技術同步精進，matlab項目合作可私信。

🍎個人主頁：Matlab科研工作室

🍊個人信條：格物致知。

更多Matlab仿真內容點擊👇

智能優化算法 ? ? ? 神經網絡預測 ? ? ? 雷達通信? ? ? ?無線傳感器 ? ? ? ?電力系統

信號處理 ? ? ? ? ? ? ?圖像處理 ? ? ? ? ? ? ? 路徑規劃 ? ? ? 元胞自動機 ? ? ? ?無人機?

? 內容介紹

不可避免的存在眾多缺點,其參數的隨機選取導致一系列非最優參數的生成,使得所需隱含層節點數多于傳統學習算法,影響其泛化性能,并導致系統的病態;在學習過程中僅僅只利用了輸入參數的信息進行計算,而忽略了非常有價值的實際輸出值;將其應用于工業生產中所得到的精度不能滿足實際的標準等等.針對上述缺點,本文提出了一種對ELM的探路者搜索算法極限學習機(PFA-ELM)。

傳統的單隱層神經網絡由三部分組成，分別是輸入層、隱含層和輸出層，輸入層神經元節點個數即輸入變量的個數，隱含層節點個數則需要人為給定，輸出層節點個數也就是輸出變量的個數。在2006年，新加坡南洋理工大學的Huang等[16]在傳統的單隱層神經網絡的基礎上提出了一種新的前饋神經網絡學習算法，命名為極限學習機(extremelearningmachine，ELM)，不同于傳統的基于梯度的前饋神經網絡算法，該方法隨機產生隱含層與輸入層之間的連接權值及隱含層神經元的閾值，訓練過程中只需要設置隱含神經元的個數便可獲得唯一最優解，極限學習機網絡結構如圖1所示。

? 部分代碼

clear all

clc

addpath('codes')

randn('state',0);

%% load data

load ('data.mat')

%% define options

Nlayers=19;

H=zeros(1,Nlayers);

H(:,:)=45;

Options.Layers=H;

Options.N=sum(Options.Layers);

%% Apllication

clc

[net]=ELM(x,y,xt,yt,Options)

[net2]=MSELM(x,y,xt,yt,Options)

%%?

%save('RUL')

? 運行結果

? 參考文獻

[1]王欣, 秦斌, 俞方罡. 基于極限學習機(ELM)的污水處理過程預測控制方法:, CN111650834A[P]. 2020.

[2]強躍李紹紅劉超瓊. 基于多尺度組合核極限學習機模型的隧道圍巖變形r預測及應用[J]. 現代隧道技術, 2017, 54(6):70-76.

? 完整代碼

??部分理論引用網絡文獻，若有侵權聯系博主刪除

?? 關注我領取海量matlab電子書和數學建模資料

總結

以上是生活随笔為你收集整理的【ELM时序预测】基于多尺度集成极限学习机实现寿命预测附matlab代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。