1.一种基于多类别指数损失函数的不平衡数据软分类方法，其特征在于，步骤如下：S1、加载不平衡数据类，样本数量为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，并将不平衡数据类划分为训练集和测试集；

S2、根据样本权重Dm训练第m个弱学习器BLm；

S3、由约束公式计算监督指标并添加最佳节点；

*

S4、计算输出权重β得到网络输出；

S5、更新网络残差，评估当前建模情况；

S6、更新目标函数，计算并判断模型的loss是否小于给定的容差ε，若小于给定的容差ε，则整体建模过程结束并更新样本权重，否则进入步骤S7；

S7、计算当前样本权重的计算分类误差率。

2.根据权利要求1所述的一种基于多类别指数损失函数的不平衡数据软分类方法，其特征在于，步骤S2中，根据样本权重Dm训练第m个弱学习器BLm具体为：S21、建立第m个弱学习器BLm的L‑1层隐藏节点的网络，则第m个弱学习器BLm的网络输出表示为：T T

式中wj＝[wj1，....，wjd] ，bj＝[bj1，...，bjd]分别为隐含层节点的输入权重和偏置，βjT＝[βj1，...，βjm] 为隐藏层与输出层之间的输出权重，gj代表激活函数，此处为sigmoid激活函数；

S22、将步骤S21中的网络输出经过SoftMax层处理，即设定其输出的每个类别概率分布预测值和严格为

1，且不存在超过1的概率和负值概率，则经过SoftMax层处理后的网络输出表示为：式中各参数含义与式(1)相同。

3.根据权利要求1所述的一种基于多类别指数损失函数的不平衡数据软分类方法，其特征在于，步骤S3中，由约束公式计算监督指标并添加最佳节点，具体为：从可调区间中随机生成输入权重wL和偏置bL，并计算监督指标：其中， ||·||表示

Frobenius范数，此时，eL‑1，q代表建模第L‑1个节点时，输出所对应的网络残差，r为缩放因子，uL小于等于(1‑r)；根据从候选节点池中将监督指标ξL取得最大值时的隐藏节点更新到网络中。

4.根据权利要求1所述的一种基于多类别指数损失函数的不平衡数据软分类方法，其*特征在于，步骤S4中，计算输出权重β得到网络输出，具体为：根据约束不等式挑选出的最佳节点，使用最小二乘法计算输出权重：其中，H为隐藏层输出，T为标签矩阵：T

HH 代表非奇异矩阵，

T

H＝[H1，H2，...，HL]。

5.根据权利要求1所述的一种基于多类别指数损失函数的不平衡数据软分类方法，其特征在于，步骤S5中，更新网络残差，评估当前建模情况，具体为：S51、根据式(2)的网络输出表达式，采用交叉熵更新网络残差eL‑1，更新后的网络残差表达式为：S52、根据步骤S51中更新后的网络残差，采用交叉熵损失来评估当前阶段建模情况，交叉熵损失的计算公式为：

6.根据权利要求1所述的一种基于多类别指数损失函数的不平衡数据软分类方法，其特征在于，步骤S6中，更新目标函数：计算模型 的loss，若小于给定的容差ε，则整体建模过程结束，否则进入步骤S7，其中，BL代表基学习器，v代表基学习器在最后输出中所占比重。

7.根据权利要求1所述的一种基于多类别指数损失函数的不平衡数据软分类方法，其特征在于，步骤S7中，若模型当前loss大于给定的容差ε，则通过监督指标BLm添加节点，并计算当前样本权重下BLm的分类误差率errorm，分类误差率计算公式如下：若errorm‑1＞errorm，则停止继续在第m个模型上添加节点，保存第m个模型的参数，根据当前样本权重计算出的errorm，为第m个模型分配权重vm：其中K表示样本的类别个数；

更新样本权重Dm+1：

令m＝m+1，Dm＝Dm+1，

则第m+1个模型基于 继续建模；

若errorm‑1＜errorm，返回步骤S3继续寻找并节点并更新，直到整体满足预设误差，建模过程结束。