摘要：
极限学习机（ELM）是一种简单有效的单隐层前馈神经网络SLFNs学习算法：传统的神经网络学习算法（如BP算法）需要手动设置大量的网络训练参数。极限学习机只需要设置网络的隐藏节点的数量。在算法的实施过程中，不需要调整网络的输入权重和隐藏元素的偏差。极限学习机是一种单隐层前馈神经网络算法？它基于传统的网络学习算法（BP算法），需要设置大量的网络参数。
what?：
极限学习机（extreme learning machine）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。
Why？
极限学习机是一种单隐层前馈神经网络的算法，它基于传统的网络学习算法（BP算法）需要设置大量的网络参数。
传统的网络学习的算法，几乎都是基于误差方向学习，这样就进一步的复杂了。
类比于传统的生物学习方法，提出了输入层与隐层以及阈值都不那么重要可以随机设置的ELM
人工神经网络的两个重要的理论
比较人工神经网络和生物的，从而得到启发
How？
：在输入层输入Xi，Xi通过每个输入层和隐层的权值Wi，阈值Bi。将Wi和Xi，Bi带入激励函数得到一个隐层的矩阵H=G（wi，bi，xi）将得到的矩阵H与隐层与输出层的权值矩阵beti，从而得到输出矩阵
如图：
输入层节点是样本数还是各个属性