在大数据时代,人工智能技术不停地快速发展。提高机器学习性能,更好地近似模拟人脑的学习行为成为人工智能的最为核心的技术研究目标。深度学习的研究推动了人工神经网络的发展,同时也激发了对超限学习机这一新型学习方式的研究需求。接下来,我们将对超限学习机进行深入的研究探讨。本文针对如何利用超限学习机构建最优的网络结构以及提高自身学习性能和泛化能力的问题展开了研究并深入探讨其在数据变动的情况下的稳定性,主要工作如下:(1)首先对机器学习以及超限学习机进行了全面的概括介绍,主要包含其研究背景及意义、相关的理论、国内外研究现状以及在大数据时代所面临的一些挑战。(2)针对最优的隐含层节点数的选取问题,深入地研究了基于误差最小化的自适应增量学习机(AIE-ELM),对自适应增量学习机的理论基础作了详尽的介绍,同时给出学习机制的框架和学习流程,并通过对比实验验证它的学习性能。在实验中,发现了 AIE-ELM在学习过程中存在学习不稳定的问题,并对问题进行了分析。(3)针对AIE-ELM存在的由数据变动引起的学习性能不稳定的问题,提出了基于局部泛化误差模型的自适应增量超限学习机(AIEL-ELM),通过加入局部泛化误差约束策略,设置了训练数据的邻域样本的平均平方误差上限,降低输入波动对输出的敏感度。实验表明改进后的超限学习机在分类精度和回归误差上具有一定的优越性,相应的泛化能力也得到明显提高。