近年来,随着信息技术与计算机应用技术的不断进步发展,整个社会进入了大数据时代.因此,如何利用当前先进的数据分析技术,从海量的数据中挖掘出所需的信息成为最关键的问题.分类问题作为数据分析中的主要问题也在不断地引起人们的关注.黄广斌提出了一种结构简单的神经网络:极速学习机,它是基于最小均方误差的原则求得矩阵广义逆,具有训练时间短,测试精度较高的优点.但是,因为ELM仅考虑的是训练数据经验误差最小化,容易产生过拟合现象.本文的主要工作是:提出用交叉熵损失函数替代均方误差损失函数,在神经网络产生过拟合情况下,比较两者的测试精度,以此来比较二者的泛化能力.具体地,过拟合现象是机器学习中一种常见的现象,表现为分类器能够100%的正确分类训练样本数据,但对于其他数据则表现较差,其原因是构造的函数过于精细复杂.在ELM中,通过计算隐藏输出矩阵的广义逆,找到具有最小二范数的最优解.但由于隐层输出矩阵的行数远远大于列数,即隐层节点的数量很多,会出现过拟合现象.为了解决这个问题,本文提出一种基于交叉熵的随机赋权网络(CE-RWNNs),用交叉熵最小化原理代替均方误差最小化原理.实验结果证明,提出的CE-RWNNs可以一定程度上克服在具有许多隐层节点的ELM中过拟合的缺点.