对于分类问题，极限学习机（ELM） 可以通过更快的学习获得更好的泛化性能速度。 但是，单个ELM在数据分类中是不稳定的。 这基于Bagging的集成分类器，即Bagging-ELM已被研究流行并证明可以显着改善ELM的性能在准确性方面，但是，不适合大规模处理数据集由于高度密集的计算。 在这项研究中，我们建议一种新颖的ELM集成分类器，即b-ELM，它利用了Bag of Little Bootstraps技术可获取可扩展，高效的方式大规模数据的分类。 实现分类效率因为它只需要对数量进行反复培训就可