很明显，前向神经网络的学习速度通常远低于要求，这一直是其应用的主要瓶颈。这背后的两个主要原因可能是：（1）基于慢梯度的学习算法被广泛用于训练神经网络；（2）使用这种学习算法，网络的所有参数都是迭代调整的。与传统的学习算法不同，本文提出了一种新的单隐层前馈神经网络（SLFNs）的学习算法ELM，该算法随机选择隐节点并解析地确定slfn的输出权值。理论上讲，该算法在极快的学习速度下具有良好的泛化性能。基于一些人工和真实的基准函数逼近和分类问题（包括非常复杂的应用）的实验结果表明，新算法在大多数情况下都能产生良好的泛化性能，并且比传统的常用学习算法学习速度快数千倍前馈神经网络。

改进极限学习机B-ELM算法源代码.zip

极限学习机（ELM）源代码，适用于分类和回归

极限学习机（ELM）的MATLAB完整实现程序，有完整注释并已测试通过，资源中包含了测试脚本和数据集，算法的原理和实现讲解可参考本人博客https://wuxian.blog.csdn.net/article/details/90760481。

数学建模源码集锦-极限学习机的回归拟合及分类应用实例

采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动分类识别。经使用实验台实测电机滚动轴承不同状态的信号进行分析,研究结果表明,所建立的自动分类模型可以有效地对轴承的单一故障,以及不同程度故障有很好的辨识能力。

极限学习机集成的动态生成方法

MI-ELM：基于分层极限学习机的高效多实例学习

elm代码，可用于预测，故障诊断，状态估计等

使用极限学习机的大数据并行多分类算法