1.一种无监督稀疏参数学习的超限学习机分类方法，其特征在于，包含以下步骤：S1：随机生成初始超限学习机稀疏自编码机网络输入参数，获取训练样本数据，对超限学习机稀疏自编码机的网络输出参数进行无监督参数学习，获得学习后的稀疏自编码机网络输出参数ω；所述训练样本数据为手写数字，从手写数字数据库中得到；

S2：利用步骤S1中所述稀疏自编码机网络输出参数ω进行转置得到ωT作为超限学习机的网络输入参数，计算所述训练样本数据在超限学习机隐含层神经元中的特征映射，通过正则化最小二乘目标函数获得网络输出参数 通过参数ωT，和 构建无监督稀疏参数学习的超限学习机模型，模型表达式为 其中，g(·)为激活函数，为超限学习机模型隐含层的输出矩阵，为隐含层阈值，为超限学习机网络输出参数，Y为输出的训练样本数据的类标信息；

步骤S1包含以下步骤：

S11：随机生成初始超限学习机稀疏自编码机网络输入参数，获取输入训练样本数据X，计算获取超限学习机稀疏自编码机模型的隐含层输出矩阵 超限学习机稀疏自编码机的网络输出参数的学习问题表示为：Oω＝p(ω)+q(ω)；其中， 为损失函数， 为L1范数约束，隐含层输出为 网络输出参数为ω；

S12：计算损失函数p(w)的梯度 的利普希茨常数γ：j从1开始执行下述步骤S121至S123，直至j达到预设的阈值：S121、初始化z1＝ω0，t1＝1，计算系数 计算参数S122、获取网络输出参数ωj＝sγ(zj)，其中

S123、将j更新为j+1；

步骤S2包含以下步骤：

S21：利用步骤S1中所述稀疏网络输出参数ω进行转置得到ωT，作为超限学习机的网络输入参数，并计算得到隐含层阈值 其中，L为所述超限学习机网络模型的隐含层神经元个数；

S22：采用输入参数ωT和隐含层阈值 构建超限学习机模型： 其中g(·)为激活函数， 为隐含层输出矩阵，Y为输出的训练样本数据的类标信息；

S23：建立正则化最小二乘估计函数求解 可得 其中，

为损失函数， 为惩罚项，C为损失函数和惩罚项的平衡系数，根据训练样本个数N与超限学习机隐含层神经元个数L的关系，得到从而得到可以用参数ωT，和 表达无监督稀疏参

数学习的超限学习机模型。

2.根据权利要求1所述一种无监督稀疏参数学习的超限学习机分类方法，其特征在于，还包括获取测试样本数据Xtest，利用步骤S2中所述的无监督稀疏参数学习的超限学习机模型网络参数ωT，和 对测试样本数据进行计算，获得输出的测试样本数据预测的类标信息f(Xtest)，其中 根据分类精度对输出的测试样本数据预测的类标信息进行评价；所述测试样本数据Xtest为手写数字，从手写数字数据库中得到。

3.一种无监督稀疏参数学习的超限学习机分类系统，其特征在于，包含以下模块：超限学习机的稀疏自编码机输出参数学习模块，用于获取训练样本数据，对超限学习机稀疏自编码机的网络输出参数进行无监督参数学习，获得学习后的稀疏自编码机网络输出参数的ω；所述训练样本数据为手写数字，从手写数字数据库中得到；

构建超限学习机模型模块，用于将稀疏自编码机网络输出参数ω进行转置得到ωT作为超限学习机的网络输入参数，计算所述训练样本数据在超限学习机隐含层神经元中的特征映射，通过正则化最小二乘目标函数获得网络输出参数 通过参数ωT，和 构建无监督稀疏参数学习的超限学习机模型，模型表达式为 其中，g(·)为激活函数， 为超限学习机模型隐含层的输出矩阵，为隐含层阈值， 为超限学习机网络输出参数，Y为输出的训练样本数据的类标信息；

所述超限学习机的稀疏自编码机输出参数学习模块包含以下子模块：超限学习机稀疏自编码机的网络输出参数学习模块，用于随机生成初始超限学习机稀疏自编码机网络输入参数，获取输入训练样本数据X，计算获取超限学习机稀疏自编码机模型的隐含层输出矩阵 超限学习机稀疏自编码机的网络输出参数的学习问题表示为：Oω＝p(ω)+q(ω)；其中， 为损失函数， 为L1范数约束，隐含层输出为 网络输出参数为ω；

网络输出参数ω计算模块，用于计算损失函数p(w)的梯度 的利普希茨常数γ：j从1开始执行下述操作，直至j达到预设的阈值：初始化z1＝ω0，t1＝1 ，计算系数 计算参数

网络输出参数ωj＝sγ(zj)，其中

将j更新为j+1；

构建超限学习机模型模块包含以下子模块：

超限学习机网络输入参数及隐含层阈值确定模块：用于利用所述稀疏网络输出参数ω进行转置得到ωT，作为超限学习机的网络输入参数，并计算得到隐含层阈值其中，L为所述超限学习机网络模型的隐含层神经元个数；

建立超限学习机模型模块：用于采用输入参数ωT和隐含层阈值 构建超限学习机模型： 其中 g(·)为激活函数， 为隐含层输出矩阵，Y为输出的训练样本数据的类标信息；

求解模型参数模块：用于建立正则化最小二乘估计函数求解 可得其中， 为损失函数， 为惩罚项，C为损失函数和惩罚项的平衡系数，根据训练样本个数N与超限学习机隐含层神经元个数L的关系，得到从而得到可以用参数ωT，和 表达无监督稀疏参

数学习的超限学习机模型。

4.根据权利要求3所述一种无监督稀疏参数学习的超限学习机分类系统，其特征在于，还包括数据分类评价模块，用来获取测试样本数据Xtest，利用无监督稀疏参数学习的超限学习机模型网络参数ωT，和 对测试样本数据进行计算，获得输出的测试样本数据预测的类标信息f(Xtest)，其中 根据分类精度对输出的测试样本数据预测的类标信息进行评价；所述测试样本数据Xtest为手写数字，从手写数字数据库中得到。