极限学习机ELM、EELM与YELM性能对比分析系统

资 源 简 介

本项目是一个基于MATLAB开发的综合性极限学习机（Extreme Learning Machine）性能比对评估系统，集成了多种当前流行的超强学习机算法源码。核心功能包括基础极限学习机ELM、增强版本ELM_2、由Yuguang Wang在Neural Computing期刊发表的有效极限学习机EELM（Effective ELM），以及由Yuboyuan发表的改进型极限学习机YELM。系统通过集成这些前沿算法，旨在为用户提供一个统一的实验框架，用于客观评估不同极限学习机变体在处理复杂模式识别任务时的准

详 情 说 明

极限学习机性能对比分析系统 (ELM, ELM_2, EELM, YELM)

项目介绍

本项目是一款专为极限学习机（Extreme Learning Machine）研究而设计的性能评估与对比系统。通过在同一实验框架下集成多种ELM变体算法，系统能够科学、全面地评估不同改进策略在处理多分类任务时的效能表现。该项目模拟了经典的笔迹识别数据集（pendigits）特征环境，通过多轮独立重复实验，消灭随机初始化带来的偶然性差异，为神经网络优化和模型选型提供数据支撑。

功能特性

• 多算法集成：集成了包括基础ELM、基于正交初始化的EELM以及引入正则化机制的YELM在内的四种主流算法。
• 自动化实验流程：支持自动化的数据模拟、One-hot编码转换、多维特征归一化以及训练集/测试集的动态划分。
• 统计学评估：内置多轮交叉比对机制，自动计算测试准确率的平均值、标准差以及训练耗时。
• 深度可视化方案：系统自动生成准确率柱状图、执行效率波动曲线以及多维度泛化能力评估图（雷达图模式）。

系统要求

• 软件环境：MATLAB R2016a 或更高版本。
• 必备工具箱：神经网络工具箱（用于数据预处理函数 mapminmax）。
• 硬件要求：标准PC环境即可，算法计算效率极高，无需专用GPU。

运行指南

用户只需在MATLAB命令行窗口运行主入口函数，系统将自动执行以下操作：

1. 初始化16维特征、10类标签的模拟数据集。
2. 按照70%训练、30%测试的比例划分数据。
3. 循环执行预设轮数的模型训练与验证。
4. 在控制台输出各算法的量化报表。
5. 弹出多维度性能分析图表。

实现逻辑说明

系统采用模块化结构，核心逻辑分为五个阶段：

1. 数据预处理阶段：

系统首先模拟生成符合pendigits规范的数据集，对分类标签进行One-hot编码处理。为了保证神经元激活函数的敏感度，系统对所有特征数据执行了[0, 1]区间的线性归一化。

1. 实验循环控制：

为了获取稳定的统计结果，系统构建了多轮实验循环。在每一轮中，系统依次调用四个不同的子算法函数，并利用计时函数记录各自的训练响应时间。

1. 模型学习阶段：

针对每一个算法变体，系统在同一训练集上进行隐含层映射。所有算法共用相同的隐含层节点数配置，以确保对比的公平性。

1. 统计分析阶段：

对多轮实验产生的准确率矩阵和耗时矩阵进行聚合计算，得出反映模型稳定性的标准差（Std）和反映模型上限的平均准确率（Mean）。

1. 报告分发阶段：

通过格式化字符串输出表格化的比对报告，并利用MATLAB绘图引擎将复杂的数据关系转化为直观的可视化图表。

核心算法分析

• 基础极限学习机模块：

实现最原始的单隐层前馈神经网络。输入层权重与偏置随机产生，通过Moore-Penrose广义逆矩阵（pinv）一次性求解输出权值，无需迭代更新。

• 激活函数对比模块 (ELM_2)：

在基础ELM逻辑之上，将Sigmoid激活函数替换为正弦函数（Sin），用于观察不同激活机制对非线性特征映射能力的影响。

• 有效极限学习机模块 (EELM)：

该模块在权值初始化阶段引入了QR分解技术。通过对随机产生的输入权重进行正交化处理，旨在使神经元生成的空间映射更加独立，减少信息冗余，从而提升学习效率。

• 改进型学习机模块 (YELM)：

该模块引入了岭回归（Tikhonov Regularization）理论。通过加入正则化参数C，对隐含层输出矩阵的逆运算进行修正。该方法在求解输出权重时能有效处理矩阵奇异性问题，通过平衡结构风险与经验风险，显著增强了模型的鲁棒性和泛化能力。