function?[TrainingTime?TestingTime?TrainingAccuracy?TestingAccuracy]?=?ELM（TrainingData_File?TestingData_File?Elm_Type?NumberofHiddenNeurons?ActivationFunction）
%%?ELM?算法程序
%?調(diào)用方式:?[TrainingTime?TestingTime?TrainingAccuracy?TestingAccuracy]?=?elm（TrainingData_File?TestingData_File?Elm_Type?NumberofHiddenNeurons?ActivationFunction）
%
%?輸入:
%?TrainingData_File?????-?訓(xùn)練數(shù)據(jù)集文件名
%?TestingData_File??????-?測試訓(xùn)練集文件名
%?Elm_Type??????????????-?任務(wù)類型：0?時為回歸任務(wù)，1?時為分類任務(wù)
%?NumberofHiddenNeurons?-?ELM的隱層神經(jīng)元數(shù)目
%?ActivationFunction????-?激活函數(shù)類型:
%???????????????????????????‘sig‘?，?Sigmoidal?函數(shù)
%???????????????????????????‘sin‘?，?Sine?函數(shù)
%???????????????????????????‘hardlim‘?，?Hardlim?函數(shù)
%???????????????????????????‘tribas‘?，?Triangular?basis?函數(shù)
%???????????????????????????‘radbas‘?，?Radial?basis?函數(shù)
%?輸出:?
%?TrainingTime??????????-?ELM?訓(xùn)練花費的時間（秒）
%?TestingTime???????????-?測試數(shù)據(jù)花費的時間（秒）
%?TrainingAccuracy??????-?訓(xùn)練的準確率（回歸任務(wù)時為RMSE，分類任務(wù)時為分類正確率）???????????????????????
%?TestingAccuracy???????-?測試的準確率（回歸任務(wù)時為RMSE，分類任務(wù)時為分類正確率）
%
%?調(diào)用示例（回歸）:?[TrainingTime?TestingTime?TrainingAccuracy?TestingAccuracy]?=?ELM（‘sinc_train‘?‘sinc_test‘?0?20?‘sig‘）
%?調(diào)用示例（分類）:?[TrainingTime?TestingTime?TrainingAccuracy?TestingAccuracy]?=?ELM（‘diabetes_train‘?‘diabetes_test‘?1?20?‘sig‘）


%%?數(shù)據(jù)預(yù)處理

%?定義任務(wù)類型
REGRESSION=0;
CLASSIFIER=1;

%?載入訓(xùn)練數(shù)據(jù)集
train_data=load（TrainingData_File）;
T=train_data（:1）‘;???????????????????%?第一列：分類或回歸的期望輸出
P=train_data（:2:size（train_data2））‘;%?第二列到最后一列：不同數(shù)據(jù)的屬性
clear?train_data;?????????????????????%?清除中間變量

%?載入測試數(shù)據(jù)集
test_data=load（TestingData_File）;
TV.T=test_data（:1）‘;??????????????????%?第一列：分類或回歸的期望輸出
TV.P=test_data（:2:size（test_data2））‘;%?第二列到最后一列：不同數(shù)據(jù)的屬性
clear?test_data;???????????????????????%?清除中間變量

%?獲取訓(xùn)練、測試數(shù)據(jù)情況
NumberofTrainingData=size（P2）;????????%?訓(xùn)練數(shù)據(jù)中分類對象個數(shù)
NumberofTestingData=size（TV.P2）;??????%?測試數(shù)據(jù)中分類對象個數(shù)
NumberofInputNeurons=size（P1）;????????%?神經(jīng)網(wǎng)絡(luò)輸入個數(shù)，訓(xùn)練數(shù)據(jù)的屬性個數(shù)

%%?分類任務(wù)時的數(shù)據(jù)編碼
if?Elm_Type~=REGRESSION
????%?分類任務(wù)數(shù)據(jù)預(yù)處理
????sorted_target=sort（cat（2TTV.T）2）;%?將訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的期望輸出合并成一行，然后按從小到大排序
????label=zeros（11）;???????????????????%??Find?and?save?in?‘label‘?class?label?from?training?and?testing?data?sets
????label（11）=sorted_target（11）;??????%?存入第一個標簽
????j=1;
????%?遍歷所有數(shù)據(jù)集標簽（期望輸出）得到數(shù)據(jù)集的分類數(shù)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;????????????????????%?統(tǒng)計數(shù)據(jù)集（訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)）一共有幾類
????NumberofOutputNeurons=number_class;%?一共有幾類，神經(jīng)網(wǎng)絡(luò)就有幾個輸出
???????
????%?預(yù)定義期望輸出矩陣
????temp_T=zeros（NumberofOutputNeurons?NumberofTrainingData）;
????%?遍歷所有訓(xùn)練數(shù)據(jù)的標記，擴充為num_class*NumberofTraingData的矩陣?
????for?i?=?1:NumberofTrainingData
????????for?j?=?1:number_class
????????????if?label（1j）?==?T（1i）
????????????????break;?
????????????end
????????end
????????temp_T（ji）=1;????????????????%一個矩陣，行是分類，列是對象，如果該對象在此類就置1

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????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

?????目錄??????????0??2019-06-07?14:38??ELM?function

-----------?---------??----------?-----??----

???????????????329781????????????????????11