一、ELM算法及其数学模型（也称极限学习机） 目的：高效的特征提取+高准确率分类器设计；监督型学习算法
（一）背景：神经网络一直是模式识别、系统辨识的重要工具。传统的前馈神经网络有：BP、RBF等。
（1） 一种基于单层前向馈神经网络（SLFN）简单易用、有效的学习算法。
（2）只需要设置网络的隐藏节点个数，在算法执行过程中不需要调整网络的输入权重W以及隐元的偏置b，并且产生唯一的最优解
（3）该算法具有训练参数少、速度非常快等优点
***(4)黄广斌对SLFN的研究中指出：对于有限的数据训练集，一个具有N个节点、在任意区间无限可导的激励函数g（x）的SLFN神经网络，能够以零误差逼近任意的线性和非线性函数。
（5）SLFN被简化成了一个线性系统，即ELM.
(6)ELM依然具有良好的泛化能力，并且比BP神经网络、支持矢量机有更快的学习速度和逼近能力。
二、输入样本文本
1、现有P组样本，每组样本有N列输出，xi[xi1,xi2,...,xin](i 1,2,...P),
M列目标输出，表示为ti[ti1,ti2,...,tim],(i 1,2,...,P),对应神经网络的N个输入节点和M个输出节点。
2、
三、目的
（1）极限学习机的本质上就是SLFN,其训练值是使神经网络的输出Y 尽可能逼近样本的目标输出T。为了达到这一效果，如果激励函数g（x）无限可导，则用样本输入和目标输出求出B就能够满足ELM以极小误差逼近目标输出的要求。
（2）对ELM的输入权值向量Wij和隐含层节点阈值bj进行随机赋值，完成初始化。
计算隐含层输出矩阵H，计算输出权值矩阵B=H+*T,即完成了ELM神经网络的建立与初始化。
四、各个变量向量的理论大小
（1）一般情况下H为行满秩矩阵（秩=行数）B=Hn*T;Y=H*B;
(2)L=行-1；%为隐含层个数，%接近输入样本长度，理论越接近效果越好；W（L,列）；b（1，L）