第1章 绪论

1.1 引言

超限学习机（Extreme Learning Machine, ELM）[1]是近年来发展十分迅速的一种机器学习方法，已在自然图像检索与分类、生物信息识别、语音识别、遥感影像解译、工业故障识别和预测、医疗影像疾病诊断等工业领域获得有效性验证与实际应用[2]。

就具体技术层面而言，ELM可被视为一种新型人工神经网络（Artificial Neural Network, ANN），旨在从结构、功能等方面模拟智能的生物学习系统，形成计算模型，实现对样本数据一般规律的快速学习，并将该规律应用于未观测数据的准确分析与处理任务。

在ELM被正式提出之前，人工神经网络已经经历了60多年的发展，有许多改进模型问世，例如，以径向基函数（Radial Basis Function, RBF）网络、核回归（Kernel Regression, KR）模型、支持向量机（Support Vector Machine, SVM）等为典型代表的单隐藏层前馈神经网络（Single Hidden-Layer Feedforward Neural Network, SLFNN），以及以深度学习（Deep Learning, DL）为代表的多层神经网络等[3-4]。面对纷繁复杂的网络模型，不免会引发一系列疑问：如此繁多的网络结构但本质上数学表达模型近乎相同，是否真的需要如此多且不同的模型学习算法？这些算法能否取得统一性解释？未来模型的学习机制究竟何去何从？

实际上，ELM被提出的主要动机便是试图回答上述问题。目前，无论是人工神经网络，还是本书重点讨论的ELM，均取得了长足的技术进步。本书接下来将介绍ELM基本理论、实现技术与应用案例，同时也将概览其他相关重要研究成果。