1.基于深度残差二维随机配置网络的轻量型图像识别方法，其特征在于：包括以下步骤：S1：获取图像数据集；

S2：逐层建立轻量型图像识别网络；在步骤S2中，使用深度残差二维随机配置神经网络DeepR2DSCN算法去快速建立轻量型图像识别网络，具体建模步骤如下：d

S21：设置模型的期望总体容差ε，学习参数r，随机分配区间[‑λ,λ]，最大迭代次数Tmax；

每层停止建模容差δ，容差次数为s，初始化网络残差e0＝T；

(n‑1) (n‑1)

S22：配置第n层的第L个节点，在随机参数的分配区间内随机分配权V ,W 和偏置B(n‑1)，生成Tmax个隐藏层节点：

其中，φ(·)和Φ(·)代表使用的激活函数； 表示， 表示， 表示；

S23：根据公式约束计算监督指标 选出最优节点，公式为：其中 表示点积，r代表缩放因子， 代表建模第n层、第L‑1个节点输出对应的残差；

S24：根据指标公式的结果计算 在候选池中选出使得 最大的节点，作为第n层的第L个节点；

S25：根据新的隐藏层输出，重新评估输出权重，沿用DeepSCN将各隐藏层输出与结果直连， 通过下式计算输出权重：T

其中HH代表非奇异矩阵，

S26：计算第n层的容差， 网络整体残差S27： 返回步骤S22，在第n层继续构建第L+1个节点；

S3：设置每层容差为建立新层的条件，并构建残差连接作为新层输入。

2.根据权利要求1所述的基于深度残差二维随机配置网络的轻量型图像识别方法，其特征在于：在步骤S1中，加载图像数据集X＝{x1,x2,...,xN}，单张图片大小为d1×d2，图片数量为N，类别为M，识别数据集标签列，将其转化为0‑1标签矩阵T，并划分训练集、验证集和测试集。

3.根据权利要求2所述的基于深度残差二维随机配置网络的轻量型图像识别方法，其特征在于：在步骤S3中，持续建立s个节点， 时，停止继续在该层新建节点；

(n)

e 小于给定的期望总体容差ε，开始新的一层建模，新的一层将上一层的输入与隐藏(n)层输出混合用以输入， 开启新的一层建模过程；当e大于给定的期望总体容差ε，建模完成并返回一个DeepR2DSCN图像识别网络。