1.一种融合最小二乘向量机回归学习思想的改进极限学习机，其特征是，所述改进极限学习机包括如下步骤：步 骤1、给 定 观 测 数 据 集 T，T＝ {(x1,y1),…,(xj,yj),…,(xN,yN)}，其 中，nxj∈R,yj∈R,j＝1,…,N；将包括N个隐层节点，激励函数为G的极限学习机回归模型设定为其中，βi为第i个隐层节点与输出神经元的输出权值，β为输出权值矩阵，ai为输入神经元与第i个隐层节点的输入权值，bi为第i个隐层节点的偏置，h(x)为隐层输出矩阵，h(x)＝[G(a1,b1,x1),…,G(aN,bN,xN)]；

步骤2、随机初始化输入权值ai和偏置bi，i＝1,...,N，并使得输入权值ai和偏置bi在训练过程中保持不变；

步骤3、根据经验风险最小化的ELM和结合最小二乘向量机回归学习思想的结构风险最小化方法，得到

2 2

其中，δi为误差，误差的平方和δi 代表经验风险；||β|| 代表结构风险，ζ为调节系数；

步骤4、将步骤3得到的条件极值函数转换为拉格朗日函数，得到其中，LELM为拉格朗日函数；λi为拉格朗日乘子；

步骤5、将步骤4得到拉格朗日函数利用KKT最优函数得到并根据上述优化约束条件计算得到拉格朗日乘子λi和输出权值矩阵β；

步骤6、根据步骤5得到的输出权值矩阵β，得到极限学习机回归模型f(x)。

2.根据权利要求1所述的融合最小二乘向量机回归学习思想的改进极限学习机，其特征是：所述激励函数G为sigmoid函数，G(a,b,x)＝1/(1+exp(-(a·x)+b))。