摘要：在基于基礎設施即服務(Infrastructure as a service, IaaS)的云服務模式下,精準的虛擬機能耗預測,對于在眾多物理服務器之間進行虛擬機調度策略的制定具有十分重要的意義.針對基于傳統的增量型極限學習機(Incremental extreme learning machine, I-ELM)的預測模型存在許多降低虛擬機能耗預測準確性和效率的冗余節點,在現有I-ELM模型中加入壓縮動量項將網絡訓練誤差反饋到隱含層的輸出中使預測結果更逼近輸出樣本,能夠減少I-ELM的冗余隱含層節點,從而加快I-ELM的網絡收斂速度,提高I-ELM的泛化性能.