在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。 BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后
局部泛化误差模型 极端学习机 ELM 本文将初始LGEM推广到一个新的单隐层前馈神经网络（SLFNs）LGEM模型，极端学习机的训练（ELM）是一种新型的无迭代训练算法。这个扩展LGEM的发展可以提供一些有用的指引，以提高由ELM训练了的SLFNs的泛化能力。基于扩展的LGEM, 提出了一种为SLFNs的架构选择的算法。在若干基准数据集上的实验结果表明，可以用我们的方法找到一个SLFN的神经元的数量而言的近似最优的体系结构。此外，在11个UCI数据集的实验结果表明，该方法是有效的和高效的。
