ELM(Extreme Learning Machine)是一种新型神经网络算法，最早由Huang于2004年提出【Extreme learning
elm特点是随机生成隐层节点的参数，训练模型速度快。
elm从网络结构上来看是一个单隐层的前馈神经网络（SLFN）如下图所示。
由此可知隐藏层的输入为：
其中g函数表示的激活函数，可以是sigmod，rbf，但不限于此。ai，bi表示的是输入节点的参数向量。βi代表的是输入节点与隐层节点连接的权重向量，βi的每个分量的维度为f（设输入层节点为f），式子中的L代表的是隐含层神经元节点的个数。
同理设隐层神经元节点的个数为L，输出层的输出为m维向量，若为2分类，则为一维向量，则在忽略输入层和隐藏层的情况下可以设输出函数表达式为：
G函数代表隐层神经元的输出，针对加法型隐藏层节点，G为：
小g为激活函数，可以使线性，也可以是sigmod函数。对于rbf隐含层节点为：
ai和bi分别表示了第i个径向基函数节点的中心和影响因子
神经网络的输出可以表示为：
其中
如果神经网络能够无误差的预测训练样本，那么隐含层和输出层的权值是有解的，特别的，当L=N时，肯定有解。但是实际问题中，L往往是远小于N的，那么求解权值向量的问题是无解的，即网络输出和实际值之间有误差，可以定义代价函数为：
其中：
b.如果H是非列满秩的，则使用奇异值分解求解H的广义逆来计算最佳权值。
在Huang的survey中描述了一种思想，该思想把SVM也看成了神经网络，该思想把神经网络的输入层到最后一层隐含层的部分或者SVM核函数映射的部分都看成了从输入空间到一个新的空间的转换，然后，BP会将误差反向传播更新权值使得误差最小化，而SVM则力求找到最大分界间隔的分界面，将新空间映射到输出空间，从这个角度来看，SVM确实可以看成是一种神经网络。