基于前人在脊波神经网络上的工作，在前馈神经网络中将脊波函数用作激活函数，本文提出了一种单隐藏层正则化脊波网络（SLRRN）。 在成本函数中添加了一个额外的常规项目来表示要解决的问题的先验知识，以获得更好的泛化性能，并提出了一种简单有效的方法，称为成本函数最小化极限学习和增量学习（CFM-EIL）算法。 在基于CFM-EIL的SLRRN（CFM-EIL-SLRRN）中，对脊突隐藏的神经元及其参数进行增量和分析调整。 因此，它可以显着降低基于梯度的算法或其他迭代算法的计算复杂性。 进行了一些关于时间