elm.rar_ELM_数据分类_数据识别方法_极限学习机

共5个文件

m：3个

mat：2个

版权申诉

数据分类

极限学习机

模式识别

138 浏览量 2022-07-14 12:13:44 上传评论收藏 172KB RAR 举报

**极限学习机(ELM)** 极限学习机（Extreme Learning Machine, ELM）是一种高效的机器学习算法，尤其在神经网络领域被广泛应用。它由G. H. Huang等人于2004年提出，主要特点是其训练过程快速且无需迭代。ELM的核心思想是通过随机初始化隐藏层节点的权重和偏置，然后利用线性最小二乘法来确定输出层的权重，这大大简化了神经网络的学习过程。 **数据分类** 数据分类是机器学习中的一个关键任务，目的是将输入数据分配到预定义的类别中。在ELM中，数据分类通常涉及以下步骤：对原始数据进行预处理，包括清洗、标准化等；然后，使用特征选择方法提取关键信息；接着，应用降维技术减少数据的复杂性，例如主成分分析(PCA)；利用训练好的ELM模型对降维后的数据进行分类。 **数据识别方法** 数据识别方法是通过对数据进行分析，识别并理解数据的特性或模式。在ELM中，数据识别主要依赖于模型的分类能力。通过对训练数据的学习，ELM可以捕捉数据之间的内在关系，从而对新数据进行有效识别。这种方法在图像识别、语音识别、文本分类等场景中表现出色。 **模式识别** 模式识别是计算机科学和人工智能领域的一个重要分支，旨在从数据中发现规律和模式。ELM在模式识别中的作用在于，它可以自动从复杂的数据集中学习和构建表示，进而用于识别新的模式。例如，在图像识别中，ELM可以学习到图像的特征，如边缘、形状和纹理，从而识别不同的物体。 **elm.rar 文件内容** 这个名为"elm.rar"的压缩包可能包含了关于ELM算法的详细资料，包括可能的代码实现、理论介绍、实验结果以及相关的案例研究。用户可以通过解压这个文件来深入了解ELM如何应用于数据分类和模式识别。在实际应用中，ELM的优势在于其快速的训练速度和较高的分类精度，使其成为解决大数据问题的一个实用工具。总结起来，"elm.rar_ELM_数据分类_数据识别方法_极限学习机_模式识别"这个主题涵盖了ELM算法在数据分类和模式识别中的应用。通过学习和理解这些知识点，我们可以更有效地处理和分析各种类型的数据，提高预测和识别的准确性和效率。

资源详情

资源评论

资源推荐

收起资源包目录

elm.rar （5个子文件）

elm

main.m 4KB

elmpredict.m 1KB

spectra_data.mat 167KB

iris_data.mat 1KB

elmtrain.m 2KB

%% 第30章极限学习机的回归拟合及分类——对比实验研究 % <html> % <table border="0" width="600px" id="table1"> <tr> <td>该案例作者申明：</td> </tr> <tr><td>1：本人长期驻扎在此<a target="_blank" href="http://www.matlabsky.com/forum-78-1.html">板块</a>里，对该案例提问，做到有问必答。</td></tr><tr> <td>2：此案例有配套的教学视频，视频下载请点击<a href="http://www.matlabsky.com/forum-91-1.html">http://www.matlabsky.com/forum-91-1.html</a>。 </td> </tr> <tr> <td> 3：此案例为原创案例，转载请注明出处（《MATLAB智能算法30个案例分析》）。</td> </tr> <tr> <td> 4：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</td> </tr> <tr> <td> 5：以下内容为初稿，与实际发行的书籍内容略有出入，请以书籍中的内容为准。</td> </tr> </table> % </html> %% Part1:ELM的回归拟合——基于近红外光谱的汽油辛烷值预测 clear all clc %% 训练集/测试集产生 load spectra_data.mat % 随机产生训练集和测试集 temp = randperm(size(NIR,1)); % 训练集——50个样本 P_train = NIR(temp(1:50),:)'; T_train = octane(temp(1:50),:)'; % 测试集——10个样本 P_test = NIR(temp(51:end),:)'; T_test = octane(temp(51:end),:)'; N = size(P_test,2); %% 数据归一化 % 训练集 [Pn_train,inputps] = mapminmax(P_train); Pn_test = mapminmax('apply',P_test,inputps); % 测试集 [Tn_train,outputps] = mapminmax(T_train); Tn_test = mapminmax('apply',T_test,outputps); %% ELM创建/训练 [IW,B,LW,TF,TYPE] = elmtrain(Pn_train,Tn_train,30,'sig',0); %% ELM仿真测试 tn_sim = elmpredict(Pn_test,IW,B,LW,TF,TYPE); % 反归一化 T_sim = mapminmax('reverse',tn_sim,outputps); %% 结果对比 result = [T_test' T_sim']; % 均方误差 E = mse(T_sim - T_test); % 决定系数 N = length(T_test); R2=(N*sum(T_sim.*T_test)-sum(T_sim)*sum(T_test))^2/((N*sum((T_sim).^2)-(sum(T_sim))^2)*(N*sum((T_test).^2)-(sum(T_test))^2)); %% 绘图 figure(1) plot(1:N,T_test,'r-*',1:N,T_sim,'b:o') grid on legend('真实值','预测值') xlabel('样本编号') ylabel('辛烷值') string = {'测试集辛烷值含量预测结果对比(ELM)';['(mse = ' num2str(E) ' R^2 = ' num2str(R2) ')']}; title(string) %% Part2:ELM的分类——鸢尾花种类识别 clear all clc %% 训练集/测试集产生 load iris_data.mat % 随机产生训练集和测试集 P_train = []; T_train = []; P_test = []; T_test = []; for i = 1:3 temp_input = features((i-1)*50+1:i*50,:); temp_output = classes((i-1)*50+1:i*50,:); n = randperm(50); % 训练集——120个样本 P_train = [P_train temp_input(n(1:40),:)']; T_train = [T_train temp_output(n(1:40),:)']; % 测试集——30个样本 P_test = [P_test temp_input(n(41:50),:)']; T_test = [T_test temp_output(n(41:50),:)']; end %% ELM创建/训练 [IW,B,LW,TF,TYPE] = elmtrain(P_train,T_train,20,'sig',1); %% ELM仿真测试 T_sim_1 = elmpredict(P_train,IW,B,LW,TF,TYPE); T_sim_2 = elmpredict(P_test,IW,B,LW,TF,TYPE); %% 结果对比 result_1 = [T_train' T_sim_1']; result_2 = [T_test' T_sim_2']; % 训练集正确率 k1 = length(find(T_train == T_sim_1)); n1 = length(T_train); Accuracy_1 = k1 / n1 * 100; disp(['训练集正确率Accuracy = ' num2str(Accuracy_1) '%(' num2str(k1) '/' num2str(n1) ')']) % 测试集正确率 k2 = length(find(T_test == T_sim_2)); n2 = length(T_test); Accuracy_2 = k2 / n2 * 100; disp(['测试集正确率Accuracy = ' num2str(Accuracy_2) '%(' num2str(k2) '/' num2str(n2) ')']) %% 绘图 figure(2) plot(1:30,T_test,'bo',1:30,T_sim_2,'r-*') grid on xlabel('测试集样本编号') ylabel('测试集样本类别') string = {'测试集预测结果对比(ELM)';['(正确率Accuracy = ' num2str(Accuracy_2) '%)' ]}; title(string) legend('真实值','ELM预测值') %% % <html> % <table width="656" align="left" > <tr><td align="center">相关论坛：Matlab技术论坛：<a href="http://www.matlabsky.com">www.matlabsky.com</a>Matlab函数百科：<a href="http://www.mfun.la">www.mfun.la</a></td> </tr></table> % </html>