在必须考虑不确定性，不准确性或可变性的复杂问题中，间隔数据提供了一种有价值的方式来表示可用信息。 本文考虑的是区间神经网络的学习，其中输入和输出是具有区间成分的向量，权重是实数。 对于间隔神经网络，反向传播（BP）学习算法非常缓慢，就像通常的实值神经网络一样。 极限学习机（ELM）的学习速度比BP算法快。 本文将ELM应用于区间神经网络的学习，从而产生了区间极限学习机（IELM）。 对于常规前馈神经网络，ELM中有两个步骤。 第一步是随机生成连接输入层和隐藏层的权重，第二步是使用Moore-Pe