1.一种用于学习输入-输出关系的多输出回归网络，包括：

多个输入节点，用于接收输入数据(xi)；

多个中间节点，其与所述多个输入节点之间形成非线性网络层，所述非线性网络层通过非线性映射将所述输入数据(xi)映射到所述多个中间节点，所述多个中间节点对经过非线性映射的输入数据(xi)施加预定函数；和多个输出节点，其与所述多个中间节点之间形成线性网络层，所述线性网络层通过线性映射将施加了所述预定函数的输入数据(xi)映射到所述多个输出节点，作为输出数据(yi)进行输出；其中，所述多输出回归网络通过在给定所述输入数据(xi)和所述输出数据(yi)的条件下对所述非线性映射的映射参数(W)和所述线性映射的映射参数(S)进行联合优化，学习所述输入数据(xi)与所述输出数据(yi)之间的关系。

2.根据权利要求1所述的多输出回归网络，其中，所述预定函数处理为余弦函数。

3.根据权利要求1所述的多输出回归网络，其中，在进行所述联合优化时，对所述非线性映射的映射参数(W)施加了稀疏限定，对所述线性映射的映射参数(S)施加了低秩限定。

4.根据权利要求3所述的多输出回归网络，其中，利用以下联合优化目标函数执行所述联合优化：其中，D为所述中间节点的数量，N为样本数量，||·||2,1表示所述稀疏限定，||·||*表示所述低秩限定，||·||F表示F范数归一化。

5.根据权利要求4所述的多输出回归网络，其中，通过迭代更新，确定使所述联合优化目标函数收敛的所述非线性映射的映射参数(W)和所述线性映射的映射参数(S)的优化值，进而学习所述输入数据(xi)与所述输出数据(yi)之间的关系。

6.一种基于多输出回归网络的学习输入-输出关系的方法，所述多输出回归网络包括：多个输入节点，用于接收输入数据(xi)；多个中间节点，其与所述多个输入节点之间形成非线性网络层，所述非线性网络层通过非线性映射将所述输入数据(xi)映射到所述多个中间节点，所述多个中间节点对经过非线性映射的输入数据(xi)施加预定函数；多个输出节点，其与所述多个中间节点之间形成线性网络层，所述线性网络层通过线性映射将施加了所述预定函数的输入数据(xi)映射到所述多个输出节点，作为输出数据(yi)进行输出；其中，所述方法包括以下步骤：给定所述输入数据(xi)和所述输出数据(yi)；

对所述非线性映射的映射参数(W)和所述线性映射的映射参数(S)进行联合优化；

学习所述输入数据(xi)与所述输出数据(yi)之间的关系。

7.根据权利要求6所述的方法，其中，所述预定函数处理为余弦函数。

8.根据权利要求6所述的方法，其中，在进行所述联合优化时，对所述非线性映射的映射参数(W)施加了稀疏限定，对所述线性映射的映射参数(S)施加了低秩限定。

9.根据权利要求8所述的方法，其中，利用以下联合优化目标函数执行所述联合优化：其中，D为所述中间节点的数量，N为样本数量，||·||2,1表示所述稀疏限定，||·||*表示所述低秩限定，||·||F表示F范数归一化。

10.根据权利要求8所述的方法，其中，通过迭代更新，确定使所述联合优化目标函数收敛的所述非线性映射的映射参数(W)和所述线性映射的映射参数(S)的优化值，进而学习所述输入数据(xi)与所述输出数据(yi)之间的关系。

11.一种计算机可读存储介质，其存储有程序，所述程序被处理器执行时可控制包括多个输入节点、多个中间节点和多个输出节点的多输出回归网络，所述多个输入节点用于接收输入数据(xi)，所述多个中间节点与所述多个输入节点之间形成非线性网络层，所述非线性网络层通过非线性映射将所述输入数据(xi)映射到所述多个中间节点，所述多个中间节点对经过非线性映射的输入数据(xi)施加预定函数，所述多个输出节点与所述多个中间节点之间形成线性网络层，所述线性网络层通过线性映射将施加了所述预定函数的输入数据(xi)映射到所述多个输出节点，作为输出数据(yi)进行输出，所述程序被处理器执行时控制所述多输出回归网络实现以下步骤：

通过在给定所述输入数据(xi)和所述输出数据(yi)的条件下对所述非线性映射的映射参数(W)和所述线性映射的映射参数(S)进行联合优化，学习所述输入数据(xi)与所述输出数据(yi)之间的关系。