极限学习机(ELM)是一种新型的单层前馈神经网络,实质上就是将最小二乘法的思想应用到神经网络的一种体现。本文主要将粒子群算法与动态极限学习机进行结合,再应用到回归与分类问题当中。当前极限学习机研究方向主要集中在随机参数的优化、隐含层节点数的选取以及稳定性改进等方面。研究学者们逐渐提出了正则化极限学习机(Re-ELM)、动态极限学习机(D-ELM)、基于粒子群的极限学习机(PSO-ELM)等多种极限学习机,其中动态极限学习机(D-ELM)是目前比较热门的研究方向。本论文中将粒子群优化算法融合到动态极限学习机中,提出了基于粒子群优化算法的动态极限学习机(PSO-D-ELM)。该算法用粒子群算法优化随机参数,用动态极限学习机优化隐层节点数。为了验证PSO-D-ELM算法的优良性,采用极限学习机常用的UIC测试数据库中的数据集对其进行测试,包括辛烷值数据集、Abloe数据集以及鸢尾花数据集,同时用ELM、D-ELM、PSO-ELM、Re-ELM、Re-D-ELM这五种算法与PSO-D-ELM作对比实验,结果显示PSO-D-ELM的预测误差比其他几种极限学习机算法误差都小。PSO-D-ELM算法在辛烷值数据集预测的误差只有0.03,Abloe数据集预测的误差不超过0.12。鸢尾花的分类识别中PSO-D-ELM平均正确率可以达到99%以上,几种方法中其准确率最高。通过多次对比实验,实验结果表明PSO-D-ELM的稳定性也最好。算法优良性验证以后,为了说明其在分类与预测方面的广泛应用性,将其应用到电器设备的分类识别和油田产气量的预测两种场合,并与其他5种极限学习机的预测效果作对比。结果显示,PSO-D-ELM在电器设备分类中能有效识别其种类,在油田产气量的预测方面其误差只有0.16,比其他5类极限学习机稳定准确,即PSO-D-ELM算法在分类与预测方面均具有很高的稳定性和准确率,相比已有的一些极限学习机有更大的优势,可以预计其在其他领域也将有较为广泛的应用。