摘要：實際問題的數據集通常受到各種噪聲的影響,超限學習機(extreme learning machine,ELM)對這類數據集進行學習時,表現出預測精度低、預測結果波動大.為了克服該缺陷,采用了能夠削弱噪聲影響的指數Laplace損失函數.該損失函數是建立在Gauss核函數基礎上,具有可微、非凸、有界且能夠趨近于Laplace函數的特點.將其引入到超限學習機中,提出了魯棒超限學習機回歸估計(exponential Laplace loss function based robust ELM for regression,ELRELM)模型.利用迭代重賦權算法求解模型的優化問題.在每次迭代中,噪聲樣本點被賦予較小的權值,能夠有效地提高預測精度.真實數據集實驗驗證了所提出的模型相比較于對比算法具有更優的學習性能和魯棒性.