Esta investigación tiene como objetivo abordar las limitaciones inherentes en el algoritmo tradicional de Extreme Learning Machine (ELM), particularmente la determinación estocástica de los pesos de la capa de entrada y los sesgos de la capa oculta, lo que conduce con frecuencia a un número excesivo de neuronas en la capa oculta y un rendimiento inconsistente. Para aumentar la eficacia de la red neuronal en la clasificación de patrones, se emplea el Análisis de Componentes Principales (PCA) para reducir la dimensionalidad de la matriz de entrada y aliviar problemas de multicolinealidad durante el cálculo de la matriz de pesos de entrada. Este documento presenta una metodología mejorada de ELM, designada como algoritmo PCA-DP-ELM, que integra PCA con la Determinación de Peso Doble Pseudo-Inverso (DP). El algoritmo PCA-DP-ELM propuesto en este estudio logra consistentemente una precisión de clasificación promedio superior en diversos conjuntos de datos, independientemente de si se evalúa a través de experimentos longitudinales o transversales. Los resultados de ambos paradigmas experimentales indican que el algoritmo optimizado no solo mejora la precisión, sino que también mejora la estabilidad. Estos hallazgos corroboran que la metodología propuesta ejerce una influencia positiva en la clasificación de patrones.