MATLAB极限学习机（ELM）工具箱：实现单隐层神经网络快速建模与预测

资 源 简 介

该项目基于极限学习机（ELM）算法开发了一个单隐层神经网络模型。支持快速初始化参数、自定义隐层节点与激活函数，实现高效分类与回归预测，适用于数据建模与机器学习应用。

详 情 说 明

基于极限学习机（ELM）的单隐层神经网络快速建模与预测系统

项目介绍

本项目实现了一个基于极限学习机（Extreme Learning Machine, ELM）的单隐层前馈神经网络模型。该模型通过随机初始化输入层权重和偏置，并利用解析方法快速计算输出权重，实现了高效的数据分类与回归任务。系统特别适用于需要对中小规模数据集进行快速建模与预测的场景，如模式识别、函数逼近、时间序列预测等。

功能特性

• 快速建模：利用ELM原理，避免了传统神经网络耗时的迭代训练过程，建模速度显著提升。
• 灵活配置：支持用户自定义隐层节点数量及激活函数类型（如Sigmoid、ReLU、Sine等）。
• 多任务支持：可处理分类与回归两类任务。
• 性能评估：提供准确率、均方误差（MSE）等多种评估指标。
• 结果可视化：生成实际值vs预测值散点图、误差分布直方图等，便于结果分析。

使用方法

1. 准备数据：将训练数据与测试数据整理为数值型矩阵格式。训练数据维度为N×D（N为样本数，D为特征维度），测试数据特征维度需与训练数据保持一致。
2. 设置参数：运行前，根据任务需求设置模型参数，主要包括隐层节点数量（正整数）和激活函数类型。
3. 运行模型：执行主程序。系统将自动完成模型训练（计算输出权重）与测试（预测）流程。
4. 获取结果：程序运行后，将输出模型参数（输出权重矩阵）、测试集预测结果以及相关的性能评估指标。同时，系统会自动弹出可视化图表窗口。

系统要求

• 操作系统：Windows / Linux / macOS
• 软件环境：MATLAB （推荐 R2016a 或更高版本）

文件说明

主程序文件集成了系统的核心功能流程，包括模型参数的初始化、训练数据与测试数据的载入与预处理、极限学习机模型的核心计算（包含隐层输出矩阵的构建与Moore-Penrose伪逆求解以得到输出权重）、基于已训练模型对测试数据进行前向传播预测、预测性能的定量评估与多种可视化图表的生成。