用于“通用”单隐藏层前馈网络（SLFN）的极限学习机（ELM）是可以使用广泛类型的功能映射的统一学习平台。 从理论上讲，ELM可以近似任何目标连续函数并分类任何不相交的区域。 在实际应用中，许多实验结果已经证明了ELM的良好性能。 鉴于ELM特征映射的良好特性，本文研究了使用ELM特征映射技术的聚类问题。 实验表明，与相应的基于Mercer核的方法和使用原始数据的传统算法相比，所提出的ELM kMeans算法和ELM NMF（非负矩阵分解）聚类方法可以获得更好的聚类结果。 此外，由于ELM特征映

有监督的极限学习机（ELM）到无监督的学习机的扩展，包括判别和流形正则化，在高光谱图像（HSI）聚类中越来越受到关注。 这是由于以下事实：HSI聚类问题需要频谱空间特征提取机制，该机制必须充分利用局部频谱空间上下文和全局判别信息来减少错误分类，同时提高聚类程序的鲁棒性。 在本文中，我们提出了一种用于HSI聚类的新颖的上下文感知无监督的判别式ELM方法。 该方法的主要新颖之处在于两个方面：1）通过使用上下文感知的传播过滤程序，将局部频谱空间上下文整合和重塑机制结合到隐藏层特征表示中。 2）将局部流