前言

超限學習機（Extreme Learning Machine, ELM）是受生物學習機制的啟發，借助隨機投影與最優化方法解決機器學習任務中常見問題的快速神經網絡模型。具體而言，其所提倡的學習機制在很大程度上克服了傳統神經網絡模型訓練過程中存在的“時間冗長”和“人工干預依賴性強”等問題，有效緩解了“維數災難”和“過擬合”等現象帶來的不便，具備學習速度快、擬合能力強、泛化性良好等特點，并在自然圖像檢索與分類、生物信息識別、遙感影像解譯、醫療影像疾病診斷等實際應用領域的研究中取得了長足的進步。

ELM具有直觀的幾何解釋和精巧的數學表達形式，同時具備經典神經網絡的函數逼近能力與統計學習理論基礎。自21世紀初被正式提出并證明有效以來，ELM保持了良好的發展勢頭。雖然相關理論基礎及各變種算法實現的基本框架已初步形成，但ELM的整體發展時間、科研資金投入仍不足以比擬其他機器學習技術（如支持向量機、深度學習等），且尚未有相關中文專著關注該新興技術。

本書是國內第一本專門對ELM進行介紹和論述的著作。該書在內容上對近年來ELM發展過程中所取得的成果進行詳盡歸納與總結，涵蓋ELM主要基礎知識、技術手段與經典應用案例，并提出尚未解決的開放性問題，便于讀者進一步鉆研探索。

作者結合ELM理論，介紹了ELM在數據特征學習任務方面的若干研究成果。作者相信，相關工作是對ELM特征學習能力的一次直接、深刻的討論與闡述。

為了滿足信號處理領域學者對ELM這一新興機器學習技術的學習與研究需求，本書著重強調可讀性。首先，“問題導向”是作者梳理寫作思路的重要原則，在給出模型的系統論述之前，均詳細分析待解決問題與任務難點，而對所述模型在解決該問題上的機理、優勢與局限性同樣予以歸納總結，進而幫助讀者更清晰地理解與使用所涉及的理論方法。其次，作者試圖盡可能少地列舉抽象的數學概念，而對于無法避免的數學基礎知識，則置于正文之后的附錄中方便讀者查閱。

本書得以出版，要感謝人民郵電出版社有限公司對作者出版工作的大力幫助；感謝北京理工大學龍騰教授對本書的關心與支持；感謝南洋理工大學Guang-Bin Huang教授對本書第1、7章撰寫的悉心指導；感謝北京理工大學趙保軍教授給予的寶貴建議，同時感謝作者課題組的成員：敬棟麟、韓煜祺、李震、南京宏、唐瑋、田義兵、崔婷婷、賈森、吳晨、潘宇、黃云、段晨輝、張子鵬、瓢正泉、楊星莎、王紅碩等，他們都對本書提供了幫助。

ELM發展非常迅速，當前已出現多學科、多理論交叉現象。由于作者水平有限，很難對其眾多交叉領域均有精深理解，更兼時間和精力有限，書中錯謬之處在所難免，歡迎讀者批評指正，來函請發至cwdeng@bit.edu.cn，不勝感激。

鄧宸偉

019年10月