✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
⛄ 内容介绍
人工时间的最大缺点是训练太长，因为它在应用神经网络的时间范围内，持续不断地限制神经网络，最大限度地限制学习机（Extreme Learning Machine）大量的噪声噪声，或者当输入数据时的维度算法非常高时，极限学习时的综合性能会受到极大的影响。进行空间映射时的有效对数据维的维度的预测，因此我们认为利用深度学习的预测精度来最大学习机的特性，可以很好地改善极限学习机的特性。本文采用松鼠算法进一步优化DELM超参数，仿真结果表明，改进的预测精度更高。
⛄ 部分代码
function[output,B,Hnew]=ELM_AE(X,ActivF,number_neurons)
% ELM-AE:the function create an auto-encoder based ELM.
% number_neurons:number of neurons in hidden layer.
% X: the training set.
% prefomance: RMSE of training.
alpha=size(X);
% 1:generate a random input weights
input_weights=rand(number_neurons,alpha(2))*2-1;
% input_weightsTemp = orth(input_weights);%正交化
% if sum(size(input_weightsTemp)) == sum(size(input_weights))
% input_weights = input_weightsTemp;
% end
% 2:calculating the hidden layer
tempH=input_weights*X';
% activation function
switch lower(ActivF)
case {'sig','sigmoid'}
%%%%%%%% Sigmoid
H = 1 ./ (1 + exp(-tempH));
case {'sin','sine'}
%%%%%%%% Sine
H = sin(tempH);
case {'hardlim'}
%%%%%%%% Hard Limit
H = double(hardlim(tempH));
case {'tribas'}
%%%%%%%% Triangular basis function
H = tribas(tempH);
case {'radbas'}
%%%%%%%% Radial basis function
H = radbas(tempH);
%%%%%%%% More activation functions can be added here
end
% 3: calculate the output weights beta
B=pinv(H') * X ; %Moore-Penrose pseudoinverse of matrix
% calculate the output : Unlike other networks the AEs uses the same weight
% beta as an input weigth for coding and output weights for decoding
% we will no longer use the old input weights:input_weights.
Hnew=X*B';
output=Hnew*pinv(B');
% 4:calculate the prefomance
prefomance=sqrt(mse(X-output));
end
⛄ 运行结果
⛄ 参考文献
[1]马萌萌. 基于深度学习的极限学习机算法研究[D]. 中国海洋大学, 2016.