极限学习机（ELM）预测原理

极限学习机预测原理极限学习机(Extreme Learning Machine,ELM)的结构网络如图1所示，假设有N个不同的样本(X,),其中X,=[s1,x2,xn]了∈R”,1=[,2,,1了∈R”,对于隐含层的节点个数为L的单隐层前馈神经网络，其网络表达式可表示为：BgW·X,+b,)=0,j=12,N(1)0输入层输出层图1ELM结构网络图其中，g(x)为激励函数；形，=[w,w2,,wm]了为输入层神经元与隐含层神经元的连接权值，即输入权重：b为隐含层节点偏移值：B为隐含层神经元与输出层神经元的连接权值，即输出权重；o为预测输出。ELM样本训练以网络输出值与样本值间的误差最小为目标，即2,-o(2)存在系数矩阵B,W,b,使得2BgWX,+b)=4,j=12,N(3)即HB=T(4)「g(wx+b)…8(wx+b)其中：H=为隐含层的输出矩阵，B为输出权g(wxx+)…8(WLxx+b)重矩阵，T为ELM的期望输出。对于已产生输入权重值"，和隐含层节点偏移值b,的ELM而言，训练一个