目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题. 为了解决上述问题，提出了一种基于状态转移算法的极限学习机，可提升算法计算效率和模型精度. 利用状态转移算法的全局搜索特性求解线性方程组，得到极限学习机的输出权重矩阵，进而完成建模. 在分类和回归数据集上与极限学习机和其他主流算法进行对比，所提方法可以利用较少的隐藏层节点得到高精度的模型，同时具有更好的学习准确率. 这种高性能的建模方式弥补了极限学习机的不足.
PDF全文下载地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=075f87dd-fdcc-45d6-87cb-43f7ce2ebbc6