1.一种基于超限隐特征学习模型的图像分类与重建方法，其特征在于，包括如下步骤：S1：模型训练阶段，获取图像数据信息，所述图像数据信息包括用于进行模型训练的图像数据矩阵Xtrain、相应的标签矩阵Ttrain，以及超限学习机的隐藏节点根据所述图像数据矩阵Xtrain输出的隐含层输出矩阵Htrain；

S2：根据超限学习机和基于超限学习机的自编码器，为所述超限隐特征学习模型设置图像数据输入通道、超限学习机图像分类输出通道以及基于超限学习机的自编码器的图像输出重建通道；

S3：基于Xtrain、Ttrain以及Htrain建立所述超限学习机图像分类输出通道和所述图像输出重建通道的联合超限隐特征优化学习模型；

S4：利用交错方向法对所述联合超限隐特征优化学习模型的模型参数进行更新，得到所述超限学习机图像分类输出通道和所述图像输出重建通道的优化模型参数；

S5：根据所述优化模型参数构建所述超限隐特征学习模型；

S6:模型测试阶段，将待识别的图像样本数据信息输入所述超限隐特征学习模型的图像数据输入通道；

S7:从所述超限学习机图像分类输出通道得到所述图像样本数据的分类结果，并从所述图像输出重建通道得到所述图像样本数据的重建数据信息；

T

所述超限学习机图像分类输出通道的模型为:ttest＝htestQR；

T

所述图像输出重建通道的模型为:x′test＝htestQP；

其中，htest表示超限学习机的隐藏节点根据所述图像数据输入通道输入的测试样本xtest得到的隐含层输出向量，Q表示隐特征变换矩阵，R表示数据分类矩阵，P表示数据重建矩阵，ttest表示测试样本xtest的预测标签矩阵，x′test表示图像输出重建通道重建的测试样本；

所述联合超限隐特征优化学习模型为：T T T

s.t.Xtrain＝HtrainQP+E,QR＝β,PP＝I；

其中，α、λ以及γ表示惩罚参数，E表示误差矩阵，β表示输出权重矩阵， 表示矩阵Frobenius范数的平方，即矩阵元素的平方和；

步骤S4中引入辅助变量得到联合超限隐特征优化学习模型的增广拉格朗日函数模型，所述增广拉格朗日函数模型为：

T

s.t.PP＝I；

其中，μ表示惩罚参数，Y1和Y2表示拉格朗日乘子，<·>表示矩阵的内积运算；

步骤S4中基于所述增广拉格朗日函数模型利用交错方向法依次更新β、P、Q、R、E、Y1、Y2以及μ，直到收敛时停止优化，并将当前确定的Q和R作为所述超限学习机图像分类输出通道的优化模型参数，将当前确定的Q和P作为所述图像输出重建通道的优化模型参数。