博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
个人主页：海神之光
代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

一、极限学习机ELM道路分割简介

1 极限学习机ELM
ELM自2004年南洋理工大学的黄广斌教授提出相关概念以来一直争议不断，但每年相关论文层出不穷，在过去的十年里其理论和应用被广泛研究。如果您想深入学习和了解ELM的原理，博主建议可在ScienceDirect的数据库中检索ELM相关论文，里面有众多优质论文其理解和表述将帮助你更准确了解ELM的内在原理。
博主对于极限学习机（Extreme Learning Machine, ELM）的学习和研究已一年多，目前ELM相关两篇SCI论文已发表。后续转深度学习方向继续研究，这里就ELM作一个简单整理并给出实现代码，也希望对刚接触的朋友能够有所帮助。
极限学习机（ELM）用来训练单隐藏层前馈神经网络（SLFN）与传统的SLFN训练算法不同，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数，依据Moore-Penrose（MP）广义逆矩阵理论计算解析求出。理论研究表明，即使随机生成隐藏层节点，ELM仍保持SLFN的通用逼近能力。在过去的十年里，ELM的理论和应用被广泛研究，从学习效率的角度来看，极限学习机具有训练参数少、学习速度快、泛化能力强的优点。

2 极限学习机ELM道路分割
极限学习机（Extreme Learning Machine，ELM）是一种机器学习算法，主要用于解决分类和回归问题。ELM的道路分割原理是其核心思想之一。

ELM的道路分割原理基于以下假设：对于一个复杂的非线性问题，可以通过将输入空间划分为多个子空间，并在每个子空间内使用简单的线性模型来逼近目标函数。这样，整个问题的复杂性就被分解为了多个简单的子问题。

具体来说，ELM的道路分割原理包括以下几个步骤：
（1）数据预处理：将原始数据进行标准化处理，使得输入数据的均值为0，方差为1。
（2）随机生成隐藏层权重：ELM使用随机生成的权重来构建隐藏层，这些权重是输入层到隐藏层的连接权重。隐藏层的神经元数量可以根据问题的复杂程度进行设置。
（3）计算隐藏层输出：将输入数据通过隐藏层的权重进行线性变换，并通过激活函数（如sigmoid函数、ReLU函数等）得到隐藏层的输出。
（4）计算输出层权重：ELM使用最小二乘法来计算输出层的权重，将隐藏层的输出作为输入，将目标值作为输出，通过最小化误差来求解输出层的权重。
（5）预测和分类：使用得到的输出层权重，将新的输入数据通过隐藏层和输出层进行前向传播，得到最终的预测结果或分类结果。

二、部分源代码

clc
clear
close all hidden
addpath wcgkelm
img=imread(‘fw12.jpg’);
W=[2,1,1,1,1,1,2; …
2,4,4,1,4,4,2; …
1,1,1,0,1,1,1; …
0,1,1,0,1,1,0; …
0,1,1,1,1,1,0; …
0,1,1,2,1,1,0; …
0,1,1,1,1,1,0];
addpath KFCM模糊ELM
img=imresize(img,[3000,4000],‘bilinear’);
imshow(img);
[M,N,~]=size(img);
cout=1;
load model.mat
h = waitbar(0,‘Please wait…’);
for i=1:30:(M)
for j=1:40:(N)
block=img(i:i+30-1,j:j+40-1,:);

    Hist = colorhist(block) ; 


    im=rgb2gray(block);
    block=double(block);
    mapping=getmapping(8,'u2');%LBP映射
    ta=DSLBP(im,mapping,W);  %提取图片的LBP直方图
    ta2=invmoments(block);%Hu矩特征
    tezheng= [Hist,ta,ta2];  %保存所有的向量到矩阵中     
    tezheng=tezheng*model.M;
    [P_test]=mapminmax(tezheng','apply',model.ts)';
    Y2=sign(kelm_predict(model,P_test'));
    if Y2==-1
    rectangle('Position', [j i 40 30],'EdgeColor','Red') ;%rectangle('Position',[x,y,w,h]) 先 x 后y 想wiedth 后 hight 先 列 后行

% imwrite(block,[‘img’ num2str(cout) ‘.jpg’]);
end

    cout=cout+1;
    waitbar(cout/(ceil(M/30)*ceil(N/30)),h)
end

end
close(h);

三、运行结果

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]师韵,王震,王旭启,张善文.基于改进遗传算法的最大熵作物病害叶片图像分割算法[J].江苏农业科学. 2015,43(09)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合