极限学习机回归及分类代码

elm回归及分类：ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。

function [TrainingTime TestingTime TrainingAccuracy TestingAccuracy] = elm（TrainingData_File TestingData_File Elm_Type NumberofHiddenNeurons ActivationFunction）

% Usage: elm（TrainingData_File TestingData_File Elm_Type NumberofHiddenNeurons ActivationFunction）
% OR:    [TrainingTime TestingTime TrainingAccuracy TestingAccuracy] = elm（TrainingData_File TestingData_File Elm_Type NumberofHiddenNeurons ActivationFunction）
%
% Input:
% TrainingData_File     - Filename of training data set
% TestingData_File      - Filename of testing data set
% Elm_Type              - 0 for regression; 1 for （both binary and multi-classes） classification
% NumberofHiddenNeurons - Number of hidden neurons assigned to the ELM
% ActivationFunction    - Type of activation function:
%                           ‘sig‘ for Sigmoidal function
%                           ‘sin‘ for Sine function
%                           ‘hardlim‘ for Hardlim function
%                           ‘tribas‘ for Triangular basis function
%                           ‘radbas‘ for Radial basis function （for additive type of SLFNs instead of RBF type of SLFNs）
%
% Output: 
% TrainingTime          - Time （seconds） spent on training ELM
% TestingTime           - Time （seconds） spent on predicting ALL testing data
% TrainingAccuracy      - Training accuracy: 
%                           RMSE for regression or correct classification rate for classification
% TestingAccuracy       - Testing accuracy: 
%                           RMSE for regression or correct classification rate for classification
%
% MULTI-CLASSE CLASSIFICATION: NUMBER OF OUTPUT NEURONS WILL BE AUTOMATICALLY SET EQUAL TO NUMBER OF CLASSES
% FOR EXAMPLE if there are 7 classes in all there will have 7 output
% neurons; neuron 5 has the highest output means input belongs to 5-th class
%
% Sample1 regression: [TrainingTime TestingTime TrainingAccuracy TestingAccuracy] = elm（‘sinc_train‘ ‘sinc_test‘ 0 20 ‘sig‘）
% Sample2 classification: elm（‘diabetes_train‘ ‘diabetes_test‘ 1 20 ‘sig‘）
%
    %%%%    Authors:    MR QIN-YU ZHU AND DR GUANG-BIN HUANG
    %%%%    NANYANG TECHNOLOGICAL UNIVERSITY SINGAPORE
    %%%%    EMAIL:      EGBHUANG@NTU.EDU.SG; GBHUANG@IEEE.ORG
    %%%%    WEBSITE:    http://www.ntu.edu.sg/eee/icis/cv/egbhuang.htm
    %%%%    DATE:       APRIL 2004

%%%%%%%%%%% Macro definition
REGRESSION=0;
CLASSIFIER=1;

%%%%%%%%%%% Load training dataset
train_data=load（TrainingData_File）;
T=train_data（:1）‘;
P=train_data（:2:size（train_data2））‘;
clear train_data;                                   %   Release raw training data array

%%%%%%%%%%% Load testing dataset
test_data=load（TestingData_File）;
TV.T=test_data（:1）‘;
TV.P=test_data（:2:size（test_data2））‘;
clear test_data;                                    %   Release raw testing data array

NumberofTrainingData=size（P2）;
NumberofTestingData=size（TV.P2）;
NumberofInputNeurons=size（P1）;

if Elm_T