前饋神經網絡能夠通過輸入樣本逼近復雜的非線性映射，因此在很多領域都有應用，但是存在學習速度慢、容易陷入局部收斂和在不同場合其參數難以調解等復雜問題，以致其發展受限。為解決這些問題，2006年Huang提出一種新型單隱層前饋神經網絡——極限學習機（ Extreme Leaming　Machine．ELM），通過核函數將數據從低維空間映射到高維空間中，處理非線性數據，但是參數隨機產生使結果存在一定的隨機性，因此容易產生較差的分類效果。1995年James　Kennedy和Russel Eberhart提出粒子群（Particle Swarm　Optimization，PSO）算法，該方法是基于群體演化的隨機全局優化的一種智能優化算法，其中心思想是對鳥群或魚群合作捕食行為的研究。在優化復雜函數時，PSO算法的搜索精度不能達到要求，且易陷入局部最優的狀況，到搜索后期經常會出現震蕩情況。2009年，Lei等M1提出了基于混沌序列的粒子群優化算法，通過引入混沌序列增強了算法的全局搜索能力。2012年，Han等。5 0提出了用PSO算法對ELM進行優化，通過優化ELM的輸入層權值及隱藏層偏差，得到一傘最優的網絡。2015年，Yang等提出基于Tent混沌序列的PSO算法，在增強全局搜索能力的基礎上有效地避免了算法的盲目性，提高了算法收斂速度。

　　本文通過分析ELM的缺點，提出一種新的自適應混沌粒子群一極限學習機（Adaptive Chaotic Particle Swarm　Optimization-Extreme Leaming Machine，ACPSO-ELM）分類器。在該算法中，首先通過ELM對給定的數據進行初始化，產生一組輸入權值和隱藏層偏置，再通過ACPSO算法尋找最優輸入權值和隱藏層偏置，最后將得到的結果代入ELM中訓練。