-20-半監督極限學習機研究的國內外文獻綜述2007年，金輝等人首次將ELM的監督、半監督及無監督學習統一到一起，提出半監督極限學習機，并證實了SSELM的學習能力。2012年，Guang-BinHuang等人提出可以進一步簡化最小二乘支持向量機(LS-SVM)和近端支持向量機(proximalsupportvectormachine，PSVM)，構建LS-SVM、PSVM和其他極限學習機(Extremelearningmachine，ELM)正則化算法的統一學習框架。“廣義的”單隱層前饋網絡SVM、多項式網絡和傳統的前饋神經網絡等。ELM適用于這些前饋網絡同時不需要調整隱層。2014年GaoHuang等人表明極限學習機已被證明是一種高效的模式分類和回歸學習機制。在流形正則化的基礎上，對半監督任務和非監督任務進行了ELMs的擴展，極大地擴展了ELMs的適用性。他們還表示，所有有監督、半監督和無監督的ELM實際上都可以放在一個統一的框架中。這為理解隨機特征映射的機理提供了新的視角，隨機特征映射是ELM理論中的關鍵概念。2015年XiaozhuoLuo等人表明一個稀疏半監督極端學習機(S3ELM)通過聯合稀疏正則化分類,它可以自動刪除模型結構通過聯合稀疏正則化技術,實現更準確,高效和健壯的分類,當只有少量的標記訓練樣本是可用的，S3ELM具有良好的計算效果，優于同類算法。2016年HongpingFu等人提出了一種自適應半監督極限學習機(ASELM)來解決解決數據不平衡的問題，ASELM利用了數據不平衡對識別性能的不同影響。引入無標記數據，建立了基于高斯模型的有標記數據與無標記數據的比例模型，并應用該模型自動生成對無標記數據的約束。2018年JieYang等人提出來一種解決半監督學習中標記數據中存在的異常值的有效方法。此方法是使用非凸損失函數，該函數對異常值進行不斷的懲罰，以避免它們的負面影響。這種方法不僅繼承了半監督學習的優點，而且具有魯棒性的優點。2018年AdnanOMAbuassba等人引入了一種多核半監督ELM。它更靈活地處理來自不同來源的離散數據。它匹配來自不同來源的不同信息，并顯示數據之間的差異，優化了ELM結構參數和核組合權值。2018年ZipingHe等人提出采用布谷鳥搜索算法對半監督支持向量機（S3VM）進行優化，提高了S3VM的模型性能。由于布谷鳥搜索算法局限于局部最優問題，提出了一種基于混沌鯰魚效應優化的布谷鳥搜索算法。2019年JinXie等人提出一種基于極限學習機(ELM)的分布式半監督學習(SSL)算法，稱為分布式SSELM(DSS-ELM)算法。它是一種將SSELM算法與零梯度和分布式優化策略相結合的算法。基于流形正則化(MR)框架的SSELM算法被用于逼近通信網絡中每個節點上的樣本映射。然后，使用ZGS策略訓練與SSELM算法得到相對應的單層前饋神經網絡的全局最優系數[14]。2019年李建榮等人提出使用了無標簽數據的半監督方法可以在時間和成本上提高模型開發的效率[15]。2019徐睿等人討論并分析了自ELM提出以來的主要學習算法和模型，包括提出的原因、核心思想、求解方法、各自的優缺點以及相關問題。2020年JieYang等人提出了一種基于魯棒正則化相關準則的SSELM(RC-SSELM)算法。此算法采用不動點迭代的方法對RCSSELM的輸出權矩陣進行了優化。同時他們在半二次優化技術基礎上，對所提RC-SSELM算法進行了收斂性分析[17]。2020顧競豪和王曉丹提出一種新的代價敏感極限學習機。這種算法首先利用主成分分析法對數據進行降維，以此來確定主要特征；然后用數據進行預處理后的值訓練極限學習機，目標是實現最小期望代價，從而實現降低入侵檢測的檢測時間，降低檢測誤報率，提高檢測準確率的目的[18]。2020年陳劍挺、葉貞成、程輝提出了一種基于p階Welsch損失的魯棒極限學習機來解決極限學習機異常值敏感的問題，這種方法在魯棒性、穩定性和訓練時間上都具有很好的性能。2020年VanEngelenJE和HoosHH對半監督學習方法進行了最新概述，并提出了一種新的半監督分類算法，同時闡明了將無標簽數據納入訓練過程的不同概念和方法。2020年ZhangJ等人建立了一種結合三種混合策略的動態多群差分學習量子鳥群算法。首先，建立動態多群鳥群算法，并采用差分進化策略增強覓食行為運動的隨機性，使鳥群算法具有更強的全局探索能力。其次，將量子行為引入到鳥群算法中，以提高搜索解空間的效率。2020年牛春彥等人提出了一種新的極限學習機算法。這種算法是在云量子花朵授粉的基礎上實現的，不僅能增強花朵授粉算法的全局搜索能力，使粒子能在不同狀態下進行尋優，而且提高極限學習機的識別精度和效率[22]。2020年ShudongLiu等人提出了一種基于半監督極限學習機的異常檢測算法,提出了一種結合半監督極限學習機和互信息準則的動態集成算法，同時說明了SSELM作為基分類器，具有結構簡單、訓練方便、泛化性好等特點。2020年，JieYang等人探討了一種基于魯棒最大混合相關準則(MMCC)優化方案的半監督ELM數據學習算法。此算法是將核中心變的廣義相關準則核函數應用到MMCC中，得到了新半監督學習算法，簡稱MC-SSELMvc。2020年王紅星文中提出了一種新型半監督極限學習機HyLap-S3ELM,用于防震錘銹蝕缺陷檢測,減小了對運算資源的依賴性，提升半監督分類的精度[25]。參考文獻[1]夏克文,沈鈞毅,李昌彪.一種基于計算智能的油氣層識別方法[J].計算機工程與應用,2005,41(5):190-192.[2]石平洋,夏克文,楊瑞霞,張志偉.基于QPSO的LS-SVM油層識別[J].河北工業大學學報,2013,42(04):4-8.[3]賀紫平,夏克文,潘用科,王莉.分支定界半監督SVM在油層識別中的應用[J].重慶郵電大學學報(自然科學版),2019,31(04):563-570.[4]ChapelleO,ScholkopfB,ZienA.Semi-supervisedlearning[M].London:TheMITPress,2006.[5]ZhuXJ.Semi-supervisedlearningliteraturesurvey[R].1530,Madison:UniversityofWisconsin-Madison,2008.[6]金輝,吳樂林,陳慧巖等.結構化道路車道線識別的一種改進算法[J].北京理工大學學報,2007,27(06):501-505.[7]HuangGB,ZhouH,DingX,etal.ExtremeLearningMachineforRegressionandMulticlassClassification[J].IEEETransactionsonSystemsMan&CyberneticsPartB,2012,42(2):513-529.[8]HuangG,SongSJ,GuptaJND,etal.Semi-SupervisedandUnsupervisedExtremeLearningMachines[J].IEEETransactionsonCybernetics,2014,44(12):2405-2417.[9]LuoXZ,LiuF,YangSY,etal.JointsparseregularizationbasedSparseSemi-SupervisedExtremeLearningMachine(S3ELM)forclassification[J].Knowledge-BasedSystems,2015,73:149-160.[10]FuHP,NiuZD,ZhangCX,etal.ASELM:Adaptivesemi-supervisedELMwithapplicationinquestionsubjectivityidentification[J].Neurocomputing,2016,207:599-609.[11]PeiHM,WangKNLinQ,etal.Robustsemi-supervisedextremelearningmachine[J].Knowledge-BasedSystems,2018,159:203-220.[12]AbuassbaAO,DezhengZ,MahmoodZ.Semi-supervisedMulti-kernelExtremeLearningMachine[J].ProcediaComputerence,2018,129:305-311.[13]HeZ,XiaK,NiuW,etal.SemisupervisedSVMBasedonCuckooSearchAlgorithmandItsApplication[J].MathematicalProblemsinEngineering,2018,2018(5):1-13.[14]XieJ,LiuSY,DaiH.Manifoldregularizationbaseddistributedsemi-supervisedlearningalgorithmusingextremelearningmachineovertime-varyingnetwork[J].Neurocomputing,2019,355:24-34.[15]李建榮,張建華,夏家駿,陳朋.基于半監督極限學習機的精神負荷分類[J].華東理工大學學報(自然科學版),2019,45(01):110-118.[16]徐睿,梁循,齊金山,李志宇,張樹森.極限學習機前沿進展與趨勢[J].計算機學報,2019,42(07):1640-1670.[17]YangJ,CaoJW,WangTL,etal.Regularizedcorrentropycriterionbasedsemi-supervisedELM[J].NeuralNetworks,2020,122:117-129.[18]顧競豪,王曉丹.基于主成分分析