维基百科说：

极限学习机是用于分类、回归、聚类、稀疏近似、压缩和特征学习的前馈神经网络，具有单层或多层隐藏节点，其中隐藏节点的参数（不仅仅是将输入连接到隐藏节点的权重）需要不调。

如何在没有实际看到训练集的情况下为链接分配值？

到目前为止，从我的研究中了解这一点，我已经取得了领先，但并不令人满意，因为我无法从下面的段落中得到任何东西。

对于任何用作激活函数的非常量分段连续函数，如果调整隐藏神经元的参数，则该函数可以使 SLFN 逼近任意目标连续函数 f(x)。然后，根据任意连续分布概率，可以随机生成 i 从 1 到 L 的函数序列 {h 下标 i (x)}，它具有普遍逼近能力，即

$$\lim_{L→ \infty} ||L i=1 βi hi (x) − f (x)|| = 0$$ 具有适当输出权重的概率为 1$β$.

来源：A Parallel Multiclassification Algorithm for Big Data Using an Extreme Learning Machine，IEEE 神经网络交易 2017

任何人都可以用一个例子来证明/解释这一点吗？

也非常欢迎任何关于极限学习机的额外知识。