摘要：混沌时间序列预测是信号处理和自动控制领域中一个重要的研究方向，神经网络学习算法在处理这种高复杂性，强非线性的时间序列具有很好的优势. 本文中，作者应用一种具有良好性能的单隐层前向神经网络学习算法，极端学习机（ELM）学习算法，来进行混沌时间序列问题的预测，仿真结果表明ELM算法在具有较快学习速度的前提下，能够获得较好的预测性能. 且极端学习机激活函数的选择具有问题依赖性.

针对在线贯序极限学习机(OS-ELM)算法隐含层输出不稳定、易产生奇异矩阵和在线贯序更新时没有考虑训练样本时效性的问题,提出一种基于核函数映射的正则化自适应遗忘因子(FFOS-RKELM)算法.该算法利用核函数代替隐含层,能够产生稳定的输出结果.在初始阶段加入正则化方法,通过构造非奇异矩阵提高模型的泛化能力;在贯序更新阶段,通过新到的数据自动更新遗忘因子.将FFOS-RKELM算法应用到混沌时间序列预测和入口氮氧化物时间序列预测中,相比于OS-ELM、FFOS-RELM、OS-RKELM算法,可