增量型极限学习机改进算法
来源：信息与控制杂志2016年第6期北京时间：
作者：宋绍剑, 向伟康, 林小峰
摘要：增量型极限学习机（incremental extreme learning machine，I-ELM）在训练过程中，由于输入权值及隐层神经元阈值的随机获取，造成部分隐层神经元的输出权值过小，使其对网络输出贡献小，从而成为无效神经元．这个问题不但使网络变得更加复杂，而且降低了网络的稳定性．针对此问题，本文提出了一种给I-ELM隐层输出加上偏置的改进方法（即Ⅱ-ELM），并分析证明了该偏置的存在性．最后对I-ELM方法在分类和回归问题上进行仿真对比，验证Ⅱ-ELM的有效性.
关键词：增量型极限学习机, 无效神经元, 算法改进, 网络的稳定性
