ELM是一种新型的快速学习算法[15]，其假设有N个样本(xi，yi)，对于1个有L个隐层节点的单隐层神经网络可表示为：

    一些传统的基于梯度下降法的算法可用来求解此类问题，但基本的基于梯度的学习算法需要在迭代的过程中调整所有参数。而ELM算法中，一旦输入权重ωi和隐层的偏置bi被随机确定，隐层的输出矩阵H就被唯一确定。训练单隐层神经网络可转化为求解一个线性系统。且输出权重β可被确定。Hβ=Y， ，其中H+是矩阵H的Moore-Penrose广义逆。

    ELM最大的特点是相对于传统神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下算法速度更快。所有隐节点参数独立于目标函数或训练数据集。对于单隐层神经网络，ELM可随机初始化输入权重和偏置并得到相应的输出权重。

    BP神经网络是为了解决多层前向神经网络的权系数优化而提出来的算法，其主要特点是信号前向传递，误差反向传递。在前向传递中，输入信息从输入层经隐含层逐层处理，直到输出层。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。

    2 实例测试

    皮肤色块样本来源于上海中医药大学附属曙光医院体检中心150名体检人员的面色图像 ......