极限学习机的隐含层参数输入权重和偏置值都是随机选取的,需要设置的唯一参数是隐含层节点的数量。通过最小二乘法求得输出权重,避免了多次迭代和局部最小化的问题,具有良好的泛化性能和极高的学习效率。其广泛应用于医学生物、计算机视觉和图像处理等方面。近年来,对寻找最优隐含层节点数和训练样本在线加入模型的研究较多,本文对增量型极限学习机研究如下:无逆矩阵极限学习机通过逐步增加隐含层节点寻找最优隐含层节点数。本文将其改进为无逆矩阵在线序列版本,称为无逆矩阵在线序列极限学习机(IFOS-ELM)。该算法首先通过舒尔补公式寻找到最优隐含层节点数,然后利用Sherman-Morrison-Woodbury公式将新增样本数据逐步添加到模型中,避免对已经分析过的训练样本的输出权重进行重复计算。文中相应的给出了所提IFOS-ELM算法的详细推导。本文通过不同类型和大小数据集上的实验结果表明,所提IFOS-ELM算法非常适合在线学习场景,在快速学习和性能方面都有很好的表现。但是对于类别不平衡数据,IFOS-ELM算法存在着分类准确率差的问题。为此,本文进一步提出了面向类别不平衡的增量在线序列极限学习机(IOS-ELM)。其基本思想是:(1)根据类别不平衡比例调整平衡因子,将分离超平面推向多数类。(2)利用舒尔补公式或Sherman-Morrison-Woodbury公式逐步增加隐含层节点,以寻求适当的隐含层节点数,从而提高了IOS-ELM的在线学习能力。最后,通过14个二类和多类不平衡数据集上的实验结果表明,与比较方法相比,该算法具有更好的泛化能力和分类性能。