ELMfunction.rar

ELMfunction.rar

function [TrainingTime TestingTime TrainingAccuracy TestingAccuracy] = ELM（TrainingData_File TestingData_File Elm_Type NumberofHiddenNeurons ActivationFunction）
%% ELM 算法程序
% 调用方式: [TrainingTime TestingTime TrainingAccuracy TestingAccuracy] = elm（TrainingData_File TestingData_File Elm_Type NumberofHiddenNeurons ActivationFunction）
%
% 输入:
% TrainingData_File     - 训练数据集文件名
% TestingData_File      - 测试训练集文件名
% Elm_Type              - 任务类型：0 时为回归任务，1 时为分类任务
% NumberofHiddenNeurons - ELM的隐层神经元数目
% ActivationFunction    - 激活函数类型:
%                           ‘sig‘ ， Sigmoidal 函数
%                           ‘sin‘ ， Sine 函数
%                           ‘hardlim‘ ， Hardlim 函数
%                           ‘tribas‘ ， Triangular basis 函数
%                           ‘radbas‘ ， Radial basis 函数
% 输出: 
% TrainingTime          - ELM 训练花费的时间（秒）
% TestingTime           - 测试数据花费的时间（秒）
% TrainingAccuracy      - 训练的准确率（回归任务时为RMSE，分类任务时为分类正确率）                       
% TestingAccuracy       - 测试的准确率（回归任务时为RMSE，分类任务时为分类正确率）
%
% 调用示例（回归）: [TrainingTime TestingTime TrainingAccuracy TestingAccuracy] = ELM（‘sinc_train‘ ‘sinc_test‘ 0 20 ‘sig‘）
% 调用示例（分类）: [TrainingTime TestingTime TrainingAccuracy TestingAccuracy] = ELM（‘diabetes_train‘ ‘diabetes_test‘ 1 20 ‘sig‘）


%% 数据预处理

% 定义任务类型
REGRESSION=0;
CLASSIFIER=1;

% 载入训练数据集
train_data=load（TrainingData_File）;
T=train_data（:1）‘;                   % 第一列：分类或回归的期望输出
P=train_data（:2:size（train_data2））‘;% 第二列到最后一列：不同数据的属性
clear train_data;                     % 清除中间变量

% 载入测试数据集
test_data=load（TestingData_File）;
TV.T=test_data（:1）‘;                  % 第一列：分类或回归的期望输出
TV.P=test_data（:2:size（test_data2））‘;% 第二列到最后一列：不同数据的属性
clear test_data;                       % 清除中间变量

% 获取训练、测试数据情况
NumberofTrainingData=size（P2）;        % 训练数据中分类对象个数
NumberofTestingData=size（TV.P2）;      % 测试数据中分类对象个数
NumberofInputNeurons=size（P1）;        % 神经网络输入个数，训练数据的属性个数

%% 分类任务时的数据编码
if Elm_Type~=REGRESSION
    % 分类任务数据预处理
    sorted_target=sort（cat（2TTV.T）2）;% 将训练数据和测试数据的期望输出合并成一行，然后按从小到大排序
    label=zeros（11）;                   %  Find and save in ‘label‘ class label from training and testing data sets
    label（11）=sorted_target（11）;      % 存入第一个标签
    j=1;
    % 遍历所有数据集标签（期望输出）得到数据集的分类数目
    for i = 2:（NumberofTrainingData+NumberofTestingData）
        if sorted_target（1i） ~= label（1j）
            j=j+1;
            label（1j） = sorted_target（1i）;
        end
    end
    number_class=j;                    % 统计数据集（训练数据和测试数据）一共有几类
    NumberofOutputNeurons=number_class;% 一共有几类，神经网络就有几个输出
       
    % 预定义期望输出矩阵
    temp_T=zeros（NumberofOutputNeurons NumberofTrainingData）;
    % 遍历所有训练数据的标记，扩充为num_class*NumberofTraingData的矩阵 
    for i = 1:NumberofTrainingData
        for j = 1:number_class
            if label（1j） == T（1i）
                break; 
            end
        end
        temp_T（ji）=1;                %一个矩阵，行是分类，列是对象，如果该对象在此类就置1

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件      19200  2004-04-17 21:18  ELM function\diabetes_test

     文件      57600  2004-04-17 21:18  ELM function\diabetes_train

     文件       8080  2019-06-06 23:02  ELM function\ELM.m

     文件       2708  2019-06-06 23:12  ELM function\iris.txt

     文件       3690  2019-06-07 14:38  ELM function\iris_test.txt

     文件       8610  2019-06-07 14:38  ELM function\iris_train.txt

     文件        807  2019-06-07 14:20  ELM function\run_ELM1.m

     文件        243  2019-06-07 14:34  ELM function\run_ELM2.m

     文件     114277  2004-04-17 23:00  ELM function\sinc_test

     文件     114566  2004-04-17 23:00  ELM function\sinc_train

     目录          0  2019-06-07 14:38  ELM function

----------- ---------  ---------- -----  ----

               329781                    11