成果简介（技术分析和应用前景分析）：本技术属于超限学习机理论技术领域，尤其与一种基于共轭梯度法的改进超限学习机建模方法有关。脑电信号主要由大脑内大量相互关联的神经元之间相互作用所引起的大脑皮层中 的事件相关电位变化，是目前获取大脑信息的重要手段之一。脑-机接口技术建立了大脑和外部设备(比如计算机或 其他设备)间可以直接传递信息的通道，是利用大脑信息的有效手段。超限学习机方法是在2004年由南 洋理工大学的黄广斌教授首次提出，是一种简单易用且有效的单隐层前馈神 经网络的学习算法。超限学习机在参数设定中只需要一次性设置该网络的隐 层节点个数，在算法执行过程中并不需要调整输入层与隐层节点之间的权值以及隐元的偏置，在执行过程中为网络的输入权值和隐藏层偏置进行随机赋值，不需要再进行调整，然后输出层权值的最优解通过最小二乘法得到。 整个训练过程无需迭代更新权值, 因此具有参数选择容易、学习速度极快（是BP算法的100倍以上）且泛化性能好的优点。针对上述问题，本发明的目的旨在克服现有的ELM算法所需要的网络隐层节点数过多，而基于最速下降法的ELM算法收敛速度较慢，提供一种结合共轭梯度法和超限学习机相关算法，且网络结构小、提升训练速度的基于共轭梯度法的超限学习机建模方法。