ELM（Extreme Learning Machine）是一种单层前馈神经网络结构，与传统神经网络不同的是，ELM的隐层神经元权重以及偏置都是随机产生的，并且在网络训练过程中不会更新。这种随机初始化的方法使得ELM的训练速度非常快，同时避免了传统神经网络中需要反复调整权重的问题。 ELM的训练过程可以概括为以下几步：

1. 随机初始化隐层神经元的权重和偏置，构建网络结构。

2. 将训练数据输入到网络中，得到隐层神经元的输出。

3. 对隐层神经元的输出和训练数据的标签进行线性回归，得到输出层的权重。

4. 在测试阶段，将输入数据输入到网络中，通过隐层神经元和输出层权重计算输出结果。 ELM 的优点在于它的训练速度非常快，同时具有较好的泛化能力和适用于大规模数据的特点。但是，它的缺点在于随机初始化可能会导致结果不稳定，而且网络结构过于简单，可能无法处理复杂的非线性问题。因此，在实际应用中需要根据具体问题进行权衡选择。

附出图效果如下：

附视频教程操作：