文件名称：PLM:回归问题的渐进式学习机网络模型实现
文件大小：95KB
文件格式：ZIP
更新时间：2024-04-28 13:49:08
Python
渐进式学习机 描述： 在神经网络（NNs）中，NNs的通用逼近能力已在许多应用中得到广泛使用。 但是，此属性通常在连续系统中得到证明。 大多数工业系统都是混合系统，这对于实际应用是一个很大的限制。 渐进式学习机是一种经过验证的Multi-NN，可用于一般混合非线性或线性系统逼近。 PLM将混合系统分为几个连续的系统，并执行近似计算输出误差。 发展： PLM的结构分为两个主要阶段： 训练数据：集群成长和最佳后代集群选择 测试数据：用于测试数据点的聚类估计 在PLM中使用双向ELM（B-ELM）在多个连续系统的群集上训练多个神经网络，并为每个群集选择最佳NN。 这些选定的B-ELM NN用于测试数据的群集。 资料集： 基于[1]中介绍的数据集功能，可以生成数据集。 数据集应按以下方式处理： 数据：输入要素在输出前的列中排列 输出：输入要素后跟该列中每一行的输出 标签：输出功能后跟
【文件预览】：
PLM-master
----MANIFEST.in(15B)
----README.rst(3KB)
----equ29_data.csv(27KB)
----pelm_main.py(379B)
----equ26_data.csv(35KB)
----sample_data.csv(10KB)
----PLM()
--------__init__.py(0B)
--------pelm.py(5KB)
--------pelm_copy1.py(5KB)
----PLM_example.ipynb(7KB)
----dist()
--------PLM-0.0.0-py3-none-any.whl(10KB)
--------PLM-0.0.0.tar.gz(5KB)
----.idea()
--------runConfigurations()
--------misc.xml(415B)
--------vcs.xml(167B)
--------.name(13B)
--------modules.xml(393B)
--------final_project.iml(335B)
--------.gitignore(47B)
--------inspectionProfiles()
----equ24_data.csv(26KB)
----requirements.txt(135B)
----worksheet2.py(489B)
----setup.py(545B)
----PLM.egg-info()
--------PKG-INFO(302B)
--------requires.txt(134B)
--------SOURCES.txt(323B)
--------top_level.txt(9B)
--------dependency_links.txt(1B)
----worksheet.py(584B)
----equ23_data.csv(26KB)
----BELM()
--------belm.py(2KB)
--------__init__.py(0B)
--------net()
--------belm_copy.py(2KB)
----LICENSE.txt(1KB)
----build()
--------lib()
----belm_main.py(1KB)