为了增大各成员间的差异度以改善集成系统的性能，提出了一种基于成员间相似性选择的集成极端学习机(ELM)。首先，筛选出分类性能较高的备选极端学习机；其次，根据成员间的相似性运用微粒群算法(PSO)进一步选出最优的集成成员集合。通过选出相似度低的极端学习机来提高集成成员间差异度，从而有效提高集成系统的分类能力。选出的成员学习机在不同的集成规则下都具有良好性能。在四个UCI数据集上的实验结果表明，与经典的集成极端学习机相比，基于成员相似性选择的集成极端学习机具有更优的泛化性能和稳定性。
