极限学习机ELM数据分类预测的Matlab实现与调参实战

做分类预测这几年，我踩过不少坑，也试过不少算法。一开始接触极限学习机（ELM）是在一个工期很紧的小项目里，当时需要快速出一个数据分类预测的原型，BP神经网络调了半天还在梯度消失和训练时长之间挣扎，换成ELM之后，训练过程几乎是一瞬间完成的，而且分类结果居然比调了很久的BP还稳。从那时起，ELM就成了我工具箱里一个常备的快速分类方案。

这篇文章我就把用Matlab实现ELM数据分类预测的完整思路、代码、调参经验和踩坑记录整理出来。内容面向的是那类已经写过几行Matlab、但还没系统接触过ELM的读者，我会从算法原理讲到可直接运行的代码，再讲清楚隐藏层节点数、激活函数这些参数到底怎么选，以及为什么你的结果时好时坏。目录结构很简单：先讲清楚ELM的核心机制，然后给出完整可运行的Matlab代码，最后是效果评估和问题排查，这样你拿到手就能改能用。

1. ELM的原理：为什么它能又快又稳地做分类

1.1 一个直觉：前馈网络训练慢的根本原因

要理解ELM，得先搞清楚传统前馈神经网络训练慢的根源。以BP网络为例，它的训练过程是通过反向传播不断调整每一层的权重和偏置，输入层到隐藏层的权重W要调，隐藏层到输出层的权重也要调，而且调整过程要基于损失函数的梯度逐层回传。这样做的后果是：训练过程变成了一个非线性优化问题，迭代次数多、容易陷入局部最优、对学习率敏感，而且一旦网络层数加深，梯度消失问题就会让训练变得极其痛苦。

我见过不少刚接触神经网络的人，以为训练慢是“迭代10000次”这个数字本身造成的，其实根本原因有两个：一是需要更新的参数太多了，整张网的权重全都参与调整；二是每一步更新都要计算梯度，而梯度计算依赖链式法则逐层回传，计算量非常大。ELM的思路剑走偏锋：它直接砍掉了一半的训练参数。

1.2 ELM的关键思想：随机权重加最小二乘

ELM（Extreme Learning Machine，极限学习机）由南洋理工大学的黄广斌教授提出，核心思想简洁到让人怀疑：单隐层前馈神经网络中，输入层到隐藏层的权重W和偏置b可以随机生成，并且在训练过程中完全不需要调整；唯一需要求解的是隐藏层到输出层的输出权重β，而这个β可以通过最小二乘法直接计算出来，不需要迭代。

把这句话拆开看：

• 随机生成输入权重W和偏置b，固定不变；
• 输入样本经过W和b映射到隐藏层，得到隐藏层输出矩阵H；
• 输出权重β = H的广义逆 × 目标矩阵T，即β = pinv(H) × T。

也就是说，ELM把网络训练从一个“非线性优化问题”变成了一个“线性求解问题”。由于不需要迭代，训练速度比BP快几个数量级；由于β是解析解而不依赖于梯度下降的起点，训练结果相对稳定。

1.3 隐藏层输出矩阵H的数值含义

这里需要理解H到底代表了什么。H是一个n行、L列的矩阵，n是样本数，L是隐藏层节点数。H的第i行第j列表示第i个样本在第j个隐藏节点上的激活值。公式是：

H(i, j) = g( Σ_k W(j, k) × X(i, k) + b(j) )

其中g是激活函数，W(j, :)是第j个隐藏节点对应的输入权重向量。

从几何角度看，ELM做的事情是把原始输入样本通过随机映射“投射”到一个高维特征空间（L维），然后在这个特征空间里做线性分类。只要隐藏层节点足够多、激活函数非线性，随机映射后的特征对大部分分类任务来说已经是线性可分的了——这也是为什么ELM不一定需要像深度学习那样逐层学习特征，反而在很多中等规模数据集上表现优异。

特别说明一点：ELM的理论基础相当扎实，黄广斌团队有严格的数学证明：在隐藏层节点数足够多、激活函数满足一定条件时，ELM具有通用逼近能力。所以它绝不是“瞎蒙”，随机权重只是换了一种更巧妙的训练策略。

2. 动手前必须处理好的三件事：数据、标签与归一化

2.1 用自带数据集快速跑通流程

我第一次写ELM代码时踩的最大坑，不是算法本身，而是数据没处理好。所以这里建议你第一步就选Matlab自带的fisheriris数据集，它结构清晰、量级适中，是验证分类算法的标准数据集。fisheriris包含150个样本、4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）、3个类别（setosa、versicolor、virginica），每类50个样本。

三类样本中，setosa和另外两类是线性可分的，但versicolor和virginica之间存在一定重叠，所以这个数据集既能验证算法的基本能力，也能检验它对非严格线性可分问题的处理效果，作为ELM入门案例再合适不过。等跑通之后，你再替换成自己的数据也不难，无非就是把X换成你的特征矩阵，把labels换成你的类别标签。

2.2 归一化为什么是ELM的生命线

ELM对数据尺度极其敏感，这一点和SVM有点像。原因是隐藏层激活值计算是输入向量和随机权重的内积，如果某个特征的数值范围是[0, 1000]，另一个是[0, 1]，那么第一个特征会完全主导内积结果，相当于其他特征被淹没了。

我用过一个实际案例：某工业设备的状态监测数据，温度特征在300到800之间，振动幅度特征在0到5之间。不归一化时，ELM分类准确率大概只有72%，而且每次跑结果波动还很大；归一化到[0,1]之后，同一组参数准确率直接跳到93%。这就是量纲不匹配对随机权重映射产生的破坏性影响。

建议统一使用mapminmax归一化，把特征缩放到[0,1]区间。注意：归一化的参数（均值、最小值、缩放系数）必须只用训练集计算，然后应用到测试集上，不能把测试集和训练集混在一起算归一化参数，不然会引入未来数据信息，导致测试结果虚高。

2.3 标签编码：直接用数值行向量最简单

分类任务里标签的处理方式直接影响代码实现。ELM的训练目标矩阵可以有两种形式：

第一种是数值索引向量，比如setosa记为1、versicolor记为2、virginica记为3，目标矩阵T是一个n行1列的数字向量。这种形式最简单，但严格来说它隐含了一个错误假设：类别1和类别2之间的距离等于类别2和类别3之间的距离。如果类别本身没有序数关系，这种编码方式可能在理论上引发偏差。

第二种是one-hot独热编码，把3类标签拆成3列，属于哪一类哪一列就是1，其余是0。比如setosa对应[1,0,0]，versicolor对应[0,1,0]，virginica对应[0,0,1]。最终输出层是3个节点，判断时取最大值对应的类别。

实际使用中，ELM对这两种编码方式的差别不敏感，因为输出权重β会自行调整。但one-hot编码更规范、更通用，后面如果要和Softmax分类器、深度学习模型做对比，one-hot也是标准格式。训练阶段我建议用one-hot，预测输出后通过max函数转回类别索引。Matlab的ind2vec和vec2ind两个函数可以直接完成数值索引和one-hot矩阵之间的转换，非常方便。

3. Matlab完整实现：三个函数加一个主程序

3.1 ELM训练函数：核心代码与逐行解释

ELM训练函数是灵魂，核心逻辑只有几步：根据输入维度和隐藏层节点数生成随机权重和偏置，计算隐藏层输出矩阵，再用pinv求输出权重。下面给出完整代码。

matlab复制function [IW, B, LW] = elm_train(X_train, T_train, hidden, act)
% ELM训练函数
% 输入：
%   X_train: 训练样本特征矩阵，n行d列（n为样本数，d为特征维度）
%   T_train: 训练目标矩阵，n行c列（one-hot编码）或n行1列
%   hidden:  隐藏层节点数
%   act:     激活函数类型，'sig' / 'sin' / 'relu' / 'tribas'
% 输出：
%   IW: 输入权重矩阵，hidden行d列
%   B:  隐藏层偏置，hidden行1列
%   LW: 输出权重矩阵，hidden行c列

    [n, d] = size(X_train);
    
    % 随机生成输入权重和偏置，范围[-1, 1]
    % 注意：rand生成[0,1]均匀分布，乘以2减1后变为[-1,1]
    IW = rand(hidden, d) * 2 - 1;
    B = rand(hidden, 1) * 2 - 1;
    
    % 计算隐藏层输出矩阵H，维度为n行hidden列
    % X_train * IW' 得到n行hidden列的线性组合结果
    % 再加上偏置B（需要广播到每一行）
    H = X_train * IW' + repmat(B', n, 1);
    
    % 激活函数处理
    H = elm_activate(H, act);
    
    % 用最小二乘解求输出权重LW
    % pinv是伪逆，比直接inv更稳定，即使H不可逆也能给出最小范数解
    LW = pinv(H) * T_train;
end

这里最重要的细节是偏置B的广播写法。B是hidden行1列，但H计算需要对所有n个样本分别加上这组偏置，所以用repmat(B', n, 1)把偏置扩展成n行hidden列的矩阵。如果你用Matlab 2016b及以上版本，可以不写repmat，直接利用隐式扩展：H = X_train * IW' + B';，效果一样。

3.2 激活函数与预测函数

激活函数我单独写了一个函数，方便切换不同激活函数和对比实验。这里列了几个常用的，实际使用时建议优先试sig（Sigmoid），它在绝大多数分类问题上的表现都很好。

matlab复制function H = elm_activate(H, act)
% ELM激活函数
% 根据字符串act选择不同的激活函数对隐藏层输出矩阵H进行非线性变换

    switch act
        case 'sig'
            % Sigmoid函数，输出范围(0,1)，最常用的激活函数
            % 注意：1 + exp(-H)极小的时候可能溢出，但一般数据范围下没问题
            H = 1 ./ (1 + exp(-H));
        case 'sin'
            % 正弦函数，有界且周期振荡，适合部分周期特征明显的任务
            H = sin(H);
        case 'relu'
            % ReLU，计算快，但输出无上界，隐藏层输出矩阵可能有较大数值
            H = max(0, H);
        case 'tribas'
            % 三角基函数，输出范围[0,1]
            H = max(0, 1 - abs(H));
        otherwise
            error('未知的激活函数类型: %s', act);
    end
end

预测函数和训练函数几乎一样，区别在于预测函数不再求解权重，而是直接用训练好的IW、B、LW对未知样本做前向计算。

matlab复制function Y = elm_predict(X_test, IW, B, LW, act)
% ELM预测函数
% 输入：
%   X_test: 测试样本特征矩阵，m行d列
%   IW, B, LW: 训练阶段得到的权重和偏置
%   act:    激活函数类型，需和训练时一致
% 输出：
%   Y: 预测输出矩阵，m行c列；Y(i,j)表示第i个样本属于第j类的得分

    [m, ~] = size(X_test);
    
    % 计算隐藏层输出矩阵
    H = X_test * IW' + repmat(B', m, 1);
    H = elm_activate(H, act);
    
    % 线性输出层
    Y = H * LW;
end

3.3 主程序：数据装载、训练与分类流程

下面给出一个完整的主程序，可以直接复制运行。我故意把关键部分都做了注释，保持代码风格贴近实际项目而不是教学示例。

matlab复制%% 基于ELM的数据分类预测——主程序
clear; clc; close all;
rng(42);  % 固定随机种子，保证实验可复现

%% 1. 加载数据：使用Matlab自带Iris数据集
load fisheriris;
X = meas;                % 150x4的特征矩阵
species_label = species; % 150x1的元胞数组，类别名称

% 类别名称转成数值索引
[labels, ~] = grp2idx(species_label); % labels为1、2、3

% 统计类别信息
n_samples = size(X, 1);
n_classes = length(unique(labels));
fprintf('样本总数: %d, 特征维度: %d, 类别数: %d\n', n_samples, size(X, 2), n_classes);

%% 2. 划分训练集和测试集（7:3比例，按类别均匀抽样）
rng(42);
train_ratio = 0.7;
train_idx = [];
test_idx = [];

% 对每个类别分别划分，保证训练集和测试集中类别比例一致
for c = 1:n_classes
    idx_c = find(labels == c);  % 当前类别的所有样本索引
    n_c = length(idx_c);
    idx_c = idx_c(randperm(n_c));
    n_train_c = round(train_ratio * n_c);
    train_idx = [train_idx; idx_c(1:n_train_c)];
    test_idx = [test_idx; idx_c(n_train_c+1:end)];
end

train_idx = sort(train_idx);
test_idx = sort(test_idx);

X_train = X(train_idx, :);
X_test = X(test_idx, :);
Y_train = labels(train_idx);
Y_test = labels(test_idx);

fprintf('训练集样本数: %d, 测试集样本数: %d\n', length(train_idx), length(test_idx));

%% 3. 归一化处理：只用训练集计算归一化参数
[X_train_norm, ps] = mapminmax(X_train', 0, 1);
X_train_norm = X_train_norm';

% 用训练集得到的ps参数归一化测试集
X_test_norm = mapminmax('apply', X_test', ps);
X_test_norm = X_test_norm';

%% 4. 标签转one-hot编码
T_train = ind2vec(Y_train')';  % n_train行n_classes列
T_test = ind2vec(Y_test')';

%% 5. 设置ELM参数并训练
hidden = 30;            % 隐藏层节点数，先用30试跑
act = 'sig';            % 激活函数类型

tic;
[IW, B, LW] = elm_train(X_train_norm, T_train, hidden, act);
train_time = toc;
fprintf('ELM训练耗时: %.4f秒\n', train_time);

%% 6. 训练集和测试集预测
Y_pred_train = elm_predict(X_train_norm, IW, B, LW, act);
Y_pred_test = elm_predict(X_test_norm, IW, B, LW, act);

% one-hot输出转类别索引：取每行最大值的列索引
[~, pred_train] = max(Y_pred_train, [], 2);
[~, pred_test] = max(Y_pred_test, [], 2);

%% 7. 计算准确率
acc_train = sum(pred_train == Y_train) / length(Y_train);
acc_test = sum(pred_test == Y_test) / length(Y_test);
fprintf('训练集准确率: %.2f%%\n', acc_train * 100);
fprintf('测试集准确率: %.2f%%\n', acc_test * 100);

%% 8. 混淆矩阵可视化
figure;
cm = confusionchart(Y_test, pred_test);
cm.Title = 'ELM分类混淆矩阵（测试集）';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';

这段代码你直接复制到Matlab脚本里运行就能看到结果。运行Iris数据集时，隐藏层节点数取30、Sigmoid激活函数，通常测试集准确率在90%到96%之间。Matlab自带的confusionchart函数会直接生成带百分比标注的混淆矩阵图，非常直观。

4. 分类效果评估与参数调优实操

4.1 评估指标怎么选：准确率之外还看什么

做分类预测不能只看准确率一个指标，尤其当数据类别不平衡时，准确率会骗人。比如99%的样本都属于A类，模型把所有样本都判成A类也能得到99%准确率，但这样一个完全没有区分能力的模型。

对ELM分类任务，建议至少同时看三样东西：准确率、混淆矩阵、每类别的召回率。混淆矩阵能告诉你哪些类别容易混淆，召回率能暴露模型在某一类别上的短板。我实际用过的一个故障诊断项目里，正常状态样本占90%，故障状态占10%，只看准确率一直是88%左右，感觉还行；但看了混淆矩阵才发现故障类别的召回率只有35%，也就是多数故障都被漏掉了。后来通过调整隐藏层节点数和训练集配比，才把故障召回率提到75%以上。

4.2 隐藏层节点数怎么选：从小到大的搜索策略

隐藏层节点数L是ELM最重要的超参数。L太小，模型容量不足，分类边界太粗糙；L太大，一方面训练和预测的矩阵运算变慢，另一方面可能导致过拟合或者隐藏层输出矩阵出现数值问题。没有固定的最优值，但有一个可行的搜索策略。

我的做法是：从10开始，按10、20、30、40、50、80、100、150、200、300这样一组候选值分别训练和测试，记录每个L对应的测试集准确率，画一条“L-准确率”曲线，选择曲线中准确率最高且开始平稳或下降之前的L值。如果数据集特征多、样本量大，L可以往大取；如果样本少，L不宜太大，比如100个训练样本时L取200以上很容易过拟合。

一个小经验：隐藏层节点数和训练样本数之间一般建议L不超过训练样本数的三分之一到二分之一，这个比例在多数数据集上效果还不错。当然，如果你用了正则化或早停策略，限制可以放宽。

4.3 激活函数与随机权重范围的影响

激活函数的选择同样值得做一轮对比实验。我跑过一组Iris数据集的对比，结果大致是：Sigmoid和Sine的表现很接近，准确率都在90%以上；ReLU的表现稍差，因为ReLU对随机初始化的输入权重更敏感——如果输入特征乘上随机权重后大量为负，ReLU会把大量神经元置零，使隐藏层的有效节点数大幅减少；三角基函数在部分回归任务上表现好，分类任务一般不如Sigmoid。

随机权重的范围方面，常用的是[-1, 1]均匀分布。这个范围被验证在绝大多数场景下是合理的。如果输入特征归一化到[0,1]区间，[-1,1]的权重会让隐藏层输入的线性组合结果大致落在[-d, d]范围内（d是特征维度），经过Sigmoid后大部分值不会饱和，信息保留度高。如果权重范围太大，比如[-10, 10]，Sigmoid很容易饱和，输出接近0或1，梯度消失，分类结果反而变差。

我建议在调参时固定随机种子，这样同一组参数在多次运行中结果一致，便于对比不同参数配置的好坏。否则由于ELM的随机性，两次运行之间的波动会干扰你的判断。

4.4 一个完整的调参实验流程示例

下面给出一个实际搜索隐藏层节点数的脚本片段，你可以改到自己的项目里用：

matlab复制%% 参数搜索示例：隐藏层节点数
hidden_list = [10, 20, 30, 50, 80, 100, 150, 200, 300];
acc_list = zeros(length(hidden_list), 1);

for i = 1:length(hidden_list)
    [IW, B, LW] = elm_train(X_train_norm, T_train, hidden_list(i), 'sig');
    Y_test_pred = elm_predict(X_test_norm, IW, B, LW, 'sig');
    [~, pred] = max(Y_test_pred, [], 2);
    acc_list(i) = sum(pred == Y_test) / length(Y_test);
    fprintf('hidden=%3d, 测试准确率=%.2f%%\n', hidden_list(i), acc_list(i)*100);
end

% 绘制准确率随隐藏层节点数变化曲线
figure;
plot(hidden_list, acc_list * 100, 'o-', 'LineWidth', 1.5);
xlabel('隐藏层节点数');
ylabel('测试准确率(%)');
grid on;

从最终曲线你会看到，准确率通常先随L增大而上升，然后趋于平稳，有时候还会下降，那个“平台区”的起点附近就是相对较优的L。

5. 常见问题与排查技巧实录

5.1 结果忽高忽低，每次跑都不一样

这是ELM最常被吐槽的问题。ELM的输入权重和偏置是随机生成的，所以每次运行的结果会有波动。如果波动范围不大（比如准确率在89%到93%之间晃），属于正常现象。但如果波动很大，先检查是不是训练样本太少或者隐藏层节点数和训练样本数不匹配。

缓解方法有四条，按优先级排序：第一，固定随机种子rng(N)，保证结果可复现；第二，多跑几次取平均，比如同一组参数跑20次记录平均准确率和标准差，用平均效果评价模型；第三，适当增加隐藏层节点数，随机映射的特征空间越大，单次随机权重的好坏带来的影响越小；第四，用集成策略，训练多个ELM取投票结果，稳定性会明显提升。

5.2 隐藏层输出矩阵奇异或数值爆炸

这种情况多见于隐藏层节点数远大于训练样本数时，H矩阵会变成高维宽矩阵，pinv计算量大，而且可能因为共线性导致数值不稳定。另一个原因是激活函数导致H矩阵数值过大，比如ReLU在输入值很大时输出线性增大，H矩阵元素可能达到上千。

排查方法是检查H矩阵的条件数或直接看H矩阵的元素范围。如果发现H中某个节点的输出对所有样本几乎相等，说明该节点已经失效，通常是权重范围过大或激活函数饱和导致的。解决办法是缩小随机权重范围、改用Sigmoid激活函数、或者减少隐藏层节点数。

提示：训练完成后可以计算一下H矩阵的秩，如果秩远小于隐藏层节点数，说明有大量隐藏节点冗余，降低L通常能让结果更稳定。

5.3 分类结果全部集中在某一类

如果你发现预测结果几乎全是同一类，先别急着调参，按顺序排查三步。第一步看标签编码，确认Y_train标签是1到n_classes连续整数，中间没有跳号；第二步看one-hot编码是否和类别顺序一致，我自己就吃过这个亏，用unique得到的类别顺序和grp2idx得到的顺序对不上，导致训练和预测的类别顺序错位；第三步看训练集是否类别极端不平衡，如果某类样本极少，ELM很容易把边界推向少数类一侧，这时考虑对少数类做重采样或合成样本。

5.4 训练很快但预测时内存爆掉

ELM训练确实快，但预测阶段需要在内存中构建整个测试集的隐藏层输出矩阵H。如果测试集有几百万甚至上亿条样本，H矩阵会非常大。比如1000万测试样本、500个隐藏层节点，H矩阵在double精度下是1000万×500×8字节，大约40GB，普通机器扛不住。

解决思路是分块预测：每次取一批样本（比如10万条），计算这批样本的隐藏层输出和输出结果，累积起来，最后统一做argmax。如果数据集实在太大，也可以考虑在线序列ELM（OS-ELM）或核极限学习机（KELM），这两者都能在避免完整H矩阵的前提下达到类似效果。

5.5 ELM和BP、SVM到底选哪个

ELM最大的优势是训练速度和实现简洁性。在做特征工程完毕、需要一个可靠的分类基准模型时，ELM几乎是零成本起步。但ELM不是万能的，对于超高维稀疏数据（比如文本分类的词袋特征），SVM加线性核往往比ELM更稳；对于图像、语音这类需要逐层提取抽象特征的任务，深度学习比ELM的上限高得多。

我的选择标准很简单：样本量在几千到几十万级别、特征是手工或浅层加工后的数值特征、对训练时间有要求、需要一个可靠基准模型的时候，优先用ELM；如果数据本身需要深层特征提取，或者对精度有极致要求且算力充足，改用深度学习方案。

6. 延伸方向：ELM的变体与工程落地经验

6.1 核极限学习机（KELM）：摆脱随机权重的随机性

ELM的一个经典变体是核极限学习机（KELM），它用核函数替代随机映射，把SVM的核技巧引入ELM框架。KELM不再需要指定隐藏层节点数，而是通过核函数隐式定义特征映射，输出权重的求解变成了求解一个核矩阵的线性系统。

KELM的好处是稳定性和泛化能力通常优于基础ELM，尤其在特征维度高、样本量中等的情况下；代价是核矩阵的计算和存储是O(n²)级别，样本量很大时比ELM昂贵。我在一个小规模生物信息数据集（约2000样本）上对比过，KELM的准确率比ELM高约2到3个百分点，但训练时间从毫秒级变成了秒级。如果样本量在几千以内且精度是硬指标，不妨试试KELM。

6.2 在线序列ELM（OS-ELM）：应对流式数据

基础ELM是一次性离线训练的，所有训练样本必须一次性拿齐。但在很多实际系统里，数据是流式到达的，比如工业传感器数据、股票交易数据、用户行为日志。OS-ELM支持增量学习：先用一小批初始数据训练出初始模型，然后每来一批新数据就更新输出权重，不需要重新训练整个模型。更新过程的计算量远小于重训，所以它很适合边缘设备或在线服务场景。

6.3 工程落地的一些体会

最后分享一点工程上的体会。ELM代码简单，但工程化落地时才容易翻车。第一，务必将数据预处理（归一化、标签编码）封装成独立函数，训练时保存归一化参数ps、激活函数类型、隐藏层节点数、权重矩阵IW、B、LW，预测阶段从文件加载这些内容后走同一套流程，避免训练和预测两段代码各写各的。第二，权重矩阵和归一化参数要使用Matlab的save命令保存成.mat文件，配合代码版本管理，这样模型可复现，切换机器也不怕。第三，ELM输出的分数不要直接当概率用，它不是校准过的，如果业务上需要概率输出，建议在ELM输出层后面接Platt缩放或者用交叉验证做置信度校准。

说实话，ELM在学术圈的评价有点两极分化，有人觉得它过于简单，有人觉得它理论有新意。在我实际做过的项目里，ELM的真实定位不是去和大模型争强，而是在分类预测任务里提供“最快的、够用的、可解释的”那个选项。训练一个ELM常在毫秒级完成，这让我可以把精力花在更重要的数据清洗和特征工程上，而不是等一个深度模型训练半天最后发现数据有bug。如果你需要一个快速分类预测的可靠起点，ELM值得放进你的工具箱，并且把这套Matlab实现跑熟。