极限学习机（ELM）是一种流行的机器学习方法，可以灵活地模拟现实世界中分类应用程序之间的关系。 当面对数量较少的样本（即实例）的问题（即数据集）时，ELM通常会导致过拟合的麻烦。 在本文中，我们提出了一种新的实例克隆极限学习机（简称为IC-ELM），它可以处理许多不同的分类问题。 IC-ELM使用实例克隆方法来平衡输入数据的分布并扩展训练数据集，从而减轻了过度拟合的问题并提高了测试分类的准确性。 在20个UCI数据集上进行的实验和比较，以及在图像和文本分类应用程序上的验证表明，与原始ELM算法及
