第1章 緒論

1.1 引言

超限學習機（Extreme Learning Machine, ELM）[1]是近年來發展十分迅速的一種機器學習方法，已在自然圖像檢索與分類、生物信息識別、語音識別、遙感影像解譯、工業故障識別和預測、醫療影像疾病診斷等工業領域獲得有效性驗證與實際應用[2]。

就具體技術層面而言，ELM可被視為一種新型人工神經網絡（Artificial Neural Network, ANN），旨在從結構、功能等方面模擬智能的生物學習系統，形成計算模型，實現對樣本數據一般規律的快速學習，并將該規律應用于未觀測數據的準確分析與處理任務。

在ELM被正式提出之前，人工神經網絡已經經歷了60多年的發展，有許多改進模型問世，例如，以徑向基函數（Radial Basis Function, RBF）網絡、核回歸（Kernel Regression, KR）模型、支持向量機（Support Vector Machine, SVM）等為典型代表的單隱藏層前饋神經網絡（Single Hidden-Layer Feedforward Neural Network, SLFNN），以及以深度學習（Deep Learning, DL）為代表的多層神經網絡等[3-4]。面對紛繁復雜的網絡模型，不免會引發一系列疑問：如此繁多的網絡結構但本質上數學表達模型近乎相同，是否真的需要如此多且不同的模型學習算法？這些算法能否取得統一性解釋？未來模型的學習機制究竟何去何從？

實際上，ELM被提出的主要動機便是試圖回答上述問題。目前，無論是人工神經網絡，還是本書重點討論的ELM，均取得了長足的技術進步。本書接下來將介紹ELM基本理論、實現技術與應用案例，同時也將概覽其他相關重要研究成果。