【Matlab】ELM极限学习机时序预测算法

资源下载： https://download.csdn.net/download/vvoennvv/88681649

一，概述

ELM（Extreme Learning Machine）是一种单层前馈神经网络结构，与传统神经网络不同的是，ELM的隐层神经元权重以及偏置都是随机产生的，并且在网络训练过程中不会更新。这种随机初始化的方法使得ELM的训练速度非常快，同时避免了传统神经网络中需要反复调整权重的问题。 ELM的训练过程可以概括为以下几步：

随机初始化隐层神经元的权重和偏置，构建网络结构。
将训练数据输入到网络中，得到隐层神经元的输出。
对隐层神经元的输出和训练数据的标签进行线性回归，得到输出层的权重。
在测试阶段，将输入数据输入到网络中，通过隐层神经元和输出层权重计算输出结果。 ELM 的优点在于它的训练速度非常快，同时具有较好的泛化能力和适用于大规模数据的特点。但是，它的缺点在于随机初始化可能会导致结果不稳定，而且网络结构过于简单，可能无法处理复杂的非线性问题。因此，在实际应用中需要根据具体问题进行权衡选择。

二，代码

代码中文注释非常清晰，按照示例数据修改格式，替换数据集即可运行，数据集为excel。

部分代码示例如下：

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据（时间序列的单列数据）
result = xlsread('数据集.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数 
kim = 15;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测

%%  构造数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end

%%  划分训练集和测试集
%temp = 1: 1: 922;

%P_train = res(temp(1: 700), 1: 15)';
%T_train = res(temp(1: 700), 16)';
%M = size(P_train, 2);

%P_test = res(temp(701: end), 1: 15)';
%T_test = res(temp(701: end), 16)';
%N = size(P_test, 2);

%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度
%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  创建模型
num_hiddens = 20;        % 隐藏层节点个数
activate_model = 'sig';  % 激活函数

......