人工神经网络由于其广泛的应用前景得到了众多学者的青睐，同时也取得了非常重要的研究成果。但是由于人工神经网络的运算速度普遍偏慢（例如:BP神经网络），限制了其在工程上的应用。在2006年，极限学习机(ELM)神经网络的提出对前馈神经网络的发展起到了很大的影响，减少了前馈神经网络的运算时间。然而由于极限学习机在处理带有复杂噪声信号或者带有高维度信息的输入数据时，极限学习机也体现出了自己的疲软之处，使得所建立模型的分类回归准确度极大的下滑。由于近几年极限学习的发展越来越迅速，前人也提出了非常有成果的想法来改善ELM的窘境。本文在前人的基础上，提出了自己的改进方法。
　　本文首先对极限学习机网络结构进行改进，在该网络的三层结构的基础之上添加了多个隐含层（隐含层的个数大于等于3），构成一个多隐含层的ELM网络(MELM)。同时该MELM保留了ELM随机取值第一个隐含层权值矩阵和阈值矩阵的特点，通过引入一种计算方法计算余下隐含层的权值参数，阈值参数。
　　由于在实际应用中，许多数据不是一成不变的，而是随着时间的变化其数据特征也可能变化。而上述MELM和ELM所建立的模型是固定的，参数不可以随便改变，久而久之就会造成预测偏差。因此，本文在上面MELM和已成熟的研究成果之上，加入多个隐含层，构成时序多隐含层ELM网络(FOS-MELM)。该FOS-MELM可以一批一批处理带有时效性数据（例如:股票数据，天气变化），通过舍弃过时的数据提高训练的精度，并且减少对后面训练过程的影响。通过MELM去除实时变化的数据一系列的不可避免噪声信号，达到较高的精确模型;同时也可以实时的更新模型的参数，对模型进行微调，使其更加契合数据的变化方向，保证模型精度。