1.一种基于超限学习机与稀疏表示分类的改进方法，其特征在于包括如下步骤：步骤1、随机产生隐层节点参数(wi,bi),i＝1,2,…,L，其中wi是连接第i个隐层节点和输入神经元的输入权重，bi是第i个隐层节点的偏差，L是隐层节点个数；

步骤2、计算出隐层节点输出矩阵H(w1,…wL,x1,…,xN,b1,…bi,…,bL)，且其中w是连接隐层节点和输入神经元的输入权重，x是训练样本输入，N是训练样本个数，bi是第i个隐层节点的偏差，g()表示激活函数；

步骤3、根据L和N的大小关系，分别采用不同的公式计算出连接隐层节点和输出神经元的输出权重步骤4、计算出查询图片y的输出向量

步骤5、对ELM输出向量ο中的极大值οf和次大值οs的差值进行判断，并求出输出向量中最大值对应的索引即为查询图片所属类别；

如果ELM输出向量ο中的极大值οf和次大值οs的差值大于预先设定的阈值σ，即οf-οs>σ，则直接采用超限学习机(ELM)已训练好的神经网络，求出输出向量中最大值对应的索引即为查询图片所属类别；

如果输出向量中的极大值οf和次大值οs的差值小于我们预先设定的阈值，即οf-οs<σ，则认为图片包含的噪声较高，采用稀疏表示分类算法进行分类。

2.如权利要求1所述的一种基于超限学习机与稀疏表示分类的改进方法，其特征在于所述的步骤3中，如果L和N的大小为L<＝N，即隐层节点个数小于等于样本数，则为了提高计算效率，对隐层节点输出矩阵进行奇异值分解，具体的：

3-1.奇异值分解H＝UDVT，其中D＝diag{d1,…di,…dN}是对角矩阵，di是矩阵H的第i个奇异值，则HHT＝VD2VT；其中U是n阶酉矩阵，V是n阶酉矩阵；并且UUT＝UTU＝I，VVT＝VTV＝I；

3-2.设定好调整参数λ的上限λmax和下限λmin，在λi∈[λmin,λmax]范围内,分别计算出正交投影矩阵HAT的每层分解矩HATr，HATr＝HV(D2+λnI)-1VTHT，其中HAT＝HH+＝H(HTH)-1HT；

3-3.在λi∈[λmin,λmax]范围内计算不同调整参数λ对应的统计均方误差，计算公式为：其中tj是期望的输出，而οj是实际的输出；

3-4.计算出的最小统计均方误差 对应的λ，即λopt；此时能够取得较好的泛化性能，并且也能够最大化分类边界；

3-5.计算出连接隐层节点和输出神经元的输出权重

3.如权利要求1所述的一种基于超限学习机与稀疏表示分类的改进方法，其特征在于所述的步骤3中，如果L和N的大小为L>N，即隐层节点个数大于样本数，则为了提高计算效率，对隐层节点输出矩阵进行奇异值分解，具体的：

3-6.奇异值分解H＝UDVT，其中D＝diag{d1,…di,…dN}是对角矩阵，di是矩阵H的第i个奇异值，则HHT＝UD2UT，并且UUT＝UTU＝I，VVT＝VTV＝I；

3-7.设定好调整参数λ的上限λmax和下限λmin，在λi∈[λmin,λmax]范围内,分别计算出正交投影矩阵HAT的每层分解矩HATr＝HHTU(D2+λiΙ)-1UT，其中HAT＝HH+＝H(HTH)-1HT；

3-8.在λi∈[λmin,λmax]范围内,计算不同调整参数λ对应的统计均方误差 计算公式为：其中tj是期望的输出，而οj是实际的输出；

3-9.计算出的最小统计均方误差 对应的λ，即λopt；此时能够取得较好的泛化性能，并且也能够最大化分类边界；

3-10.计算出连接隐层节点和输出神经元的输出权重

4.如权利要求1所述的一种基于超限学习机与稀疏表示分类的改进方法，其特征在于步骤5所述的稀疏表示分类算法首先利用输出向量ο中前k个最大值建立自适应子字典，然后重构出训练样本的稀疏表示系数，求出相应的残差，最后找出残差中最小值对应的索引即为图片属于的类别，具体的：首先找出输出向量ο中前k个最大值所对应的类别，然后用输出向量ο中前k个最大值对应的向量建立自适应子字典向量其中m(i)∈{1,2,...m}；

然后重构稀疏表示系数，公式如下， 其中τ是调整系

数；

最后计算出相应的残差 1≤d

其中Ad是第d类的训练样本； 是第d类样本对应的稀疏表示系数。