极限学习机，神经网络（NN）

资 源 简 介

极限学习机，神经网络（NN）

详 情 说 明

极限学习机（Extreme Learning Machine, ELM）是由黄广斌教授于2005年提出的一种单隐层前馈神经网络模型。它继承了传统神经网络的全局逼近能力，但在训练方式上进行了重大优化。

与传统的神经网络不同，极限学习机在训练过程中采用随机初始化隐层节点的参数（如权重和偏置），而输出层的权重则通过最小二乘法直接解析计算得出。这一特点使得ELM无需依赖梯度下降等迭代优化算法，大幅提高了训练速度，同时仍能保持良好的泛化性能。

目前，极限学习机已在多个领域展现出应用潜力，包括岩性识别、工业过程软测量建模（如LF终点温度预测、穿孔机导盘转速测量）以及图像识别等。然而，其在图像分割领域的应用仍处于探索阶段，研究相对较少。未来随着算法的进一步优化，ELM有望在实时性要求较高的分割任务中发挥独特优势。