在回归应用、分类应用和时间序列应用中OS-ELM可以实现，适应数据到达，且不牺牲精度。

1.2  相关技术的现状

     在过去的二十年中，单隐层前馈神经网络（SLFNs）已经由许多研究者进行了深入的探讨[20]–[ 30 ]。其中相对有优势的两种架构为：1）那些带添加隐藏节点的 2）那些具有径向基函数（RBF）的隐藏节点的。训练方法是通常的批量学习型。批量学习通常是一个耗时的事情，因为在通过训练数据的过程中它可能涉及到许多的迭代，。在大多数应用中，这可能需要几分钟到几个小时，进一步学习的参数（如：学习率）必须正确选择以确保收敛。此外，每当收到一个新的数据批处理时，学习使用过去的数据和新的数据进行训练，从而消耗了大量的时间。在许多工业应用中，在线学习算法优于批量学习算法，因为顺序学习算法不需要在接收新数据时进行再培训。

1.3  论文后续章的内容安排

  本文组织如下。 第二章简要回顾了批处理方式的ELM。 并介绍OS-ELM的推导。 第三章强调OS-ELM和其他流行的序列学习算法，如SGBP，GAP-RBF，GGAP-RBF，RAN，RANEKF和MRAN之间的差异。 基于回归，分类和时间序列预测等领域中的基准问题，OS-ELM的性能评估和基于该研究的结论在第三章末中显示。

2  算法设计

本节先简要回顾了黄提出的ELM以及其中用到的一些基本的原理，结合实际需要对ELM进行修改进一步推导得到我们需要的OS-ELM.