【ELM分类】基于核极限学习机和极限学习机实现UCI数据集分类附matlab代码

1 内容介绍

极限学习机（ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ，ＥＬＭ）作为一种新兴的机器学习方法，已经成为了一个热门的研究方向。 ＥＬＭ 随机确定单隐含层网络的输入权值和隐含层节点偏置，通过简单计算即可解析得到输出权值，不仅加快了学习速度，而且具有很好的泛化能力。 核函数 ＥＬＭ 将核函数引入到极限学习机理论中，可以得到最小平方优化解，解决了

ＥＬＭ 算法随机初始化问题，对模型学习参数具有较好的鲁棒性，具有更稳定的、更好的泛化性能。

2 仿真代码

clcclear all​DataSetName = 'waveform';                 %以matlab格式存储的数据集名称TrainSamplesPartio = 0.5;                %每类训练样本所占比例  C = 100;                                 %正则化因子 DataSet  = load(DataSetName, '-mat');    %加载文件到程序DataSet = getfield(DataSet, DataSetName);%获取文件中数据KindIdx = DataSet(:,1);                  %获取类别号，数据第1列为类别编号KindCount = length(unique(KindIdx));     %总类别数SortedDataSet = sortrows(DataSet, 1);    %按类标号排列数据，按类标号从小到大重排数据，方便后面随机抽取数据clear DataSet​EachKindCount = zeros(1,KindCount);         %每类数据个数for i=1:KindCount    EachKindCount(i) = sum(sum( i == SortedDataSet(:,1)));  %第i类数据个数end​​TrainData = [];TestData = [];%将所有类别的训练数据和测试数据放一个矩阵里TrainTemp = [];TestTemp = []; for i=1:KindCount    if i==1        TempIdx1(1:TrainSamCountEachKind(i),1) = i;     %标示训练数据类标号        TempIdx2(1:size(TestDataEachKind{i},1),1) = i;  %标示测试数据类标号        TrainData = [TempIdx1 TrainDataEachKind{1,i}];  %第一列为类标号        TestData = [TempIdx2 TestDataEachKind{1,i}];        TempIdx1 = [];                                  %此处要清空类标号，否则可能产生错误类标号，因为每类数据个数可能不同        TempIdx2 = [];        TrainTemp = TrainData;        TestTemp = TestData;    else        TempIdx1(1:TrainSamCountEachKind(i),1) = i;        TempIdx2(1:size(TestDataEachKind{i},1),1) = i;        TrainData = [TrainTemp;[TempIdx1 TrainDataEachKind{1,i}]];        TestData = [TestTemp;[TempIdx2 TestDataEachKind{1,i}]];        TrainTemp = TrainData;        TestTemp = TestData;        TempIdx1 = [];        TempIdx2 = [];    endendclear TrainTemp TestTemp TrainDataEachKind TestDataEachKind ​%统计结果[label_index_actual, label_index_expected, TrainingAccuracy, TestingAccuracy] = elm(TrainData, TestData, 1, KindCount, 'sig');%格式化输出相关信息，可根据自己需要修改fprintf('Run Information:\n')fprintf('+-----------------------------------------------+\n')fprintf('|KindIdx  | EachKindCount |  EachTrainKindCount |\n');fprintf('+-----------------------------------------------+\n')Msgemat='|  %2d     |%9d      |%11d          |\n';for i=1:KindCount    fprintf(Msgemat, i, EachKindCount(i), TrainSamCountEachKind(i));    fprintf('+-----------------------------------------------+\n')endfprintf('+------------------------------------------------------+\n')figureplot(label_index_actual,'rs')hold onplot( label_index_expected,'bo')xlabel('样本')legend('真实值','测试值')title(['测试准确率=',num2str(TestingAccuracy)])​​​

3 运行结果

4 参考文献

[1]王丽, 兰陟, 杨荣,等. 基于核函数极限学习机和小波包变换的EEG分类方法[J]. 北京生物医学工程, 2018, 37(5):8.

[2]王丽等. "基于核函数极限学习机和小波包变换的EEG分类方法.". 

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。