Целью данной работы является разработка модели искусственной нейронной сети (ИНС), способной работать в динамически меняющихся условиях. Несмотря на большое количество исследований, и разработок в данной области, до сих пор отсутствуют модели, удовлетворяющие ограниченным условиям мобильных систем (прежде всего по производительности). В данной статье предлагается разработанная модификация модели с экстремальным обучением Хуанга (RKELM), отличающаяся от оригинального подхода процессом обучения (обучение на общих признаках, без увеличения матрицы весов и обучающей выборки, с последующим дообучением под конкретные условия). В качестве тестовой выборки данных использовался датасет из открытого репозитория машинного обучения UCI. Были поставлены вычислительные эксперименты, целью которых было выявление наиболее подходящей модели. Выбор производился из RKELM, SVM и ELM, критериями выбора являлись производительность и точность классификации. Наиболее подходящей оказалась модель с экстремальным обучением Хуанга, она и была использована в качестве основы разработанной модификации. Приведены результаты сравнения оригинальной и модифицированной модели. Предложенный подход превзошел конкурентные в скорости и производительности, незначительно уступая при этом лишь в точности классификации данных в изначальных условиях, но оказался значительно точнее в новых условиях, в которых модель не была обучена.