增量极速学习机(EM-ELM、I-ELM等)是在极速学习机的基础之上,把隐藏节点的个数由固定的转变为动态变化的分类器。最近的研究表明,采用样例本身的特征作为隐藏层输入权重,对于提高分类器的测试精度以及泛化能力有着至关重要的作用。针对增量极速学习机未考虑采用样例特征作为输入权重,提出了采用样例特征作为输入权重的分类器(SV-SFFNS),SV-SFFNS通过随机选取样例中的特征作为输入权重,大大提高了分类器的精度和泛化能力。针对SV-SFFNS对于样例特征没有经过处理,只是简单的采取随机的方式,提出了核向量机极速向量机(CVM-ELM)。核向量机极速学习机通过核向量机算法选择样例中的核心集,然后随机从核心集中选取样例的特征作为隐藏层输入权重。核向量机所挑选出的样例是信息量大的样例。实验表明,用这样的样例的特征做输入权重,能够对于分类精度和泛化能力有着进一步的提高。