1.一种面向多视图聚类的多图正则化深度矩阵分解方法，其特征在于，所述分解方法中包括：

(1) (υ) (V)S10获取待分解的多视图样本集X＝{X ,...,X ,...,X }，其中，V表示视图的个数，kυ为视图样本的维数，n为每类视图样本的个数；

S20根据所述多视图样本集构建目标函数：(υ) (υ)

其中，X 为视图υ的样本数据；Wi 表示视图υ的第i层映射，m为层数,i∈{1,2,...,m}；

(υ)

Dm表示相应视图样本的特征矩阵；α 表示视图υ的加权系数；γ表示控制权重参数分布；Lv表示视图υ的拉普拉斯图，且Lυ＝Aυ‑Hυ，其中Aυ表示第υ个视图的权重矩阵，S30根据所述目标函数，使用迭代加权的方法，输出特征矩阵Dm，完成对多视图样本集X的分解；

(υ)

对视图样本中每层进行预训练，得到初始的权矩阵Wi 和特征矩阵 并根据成本函数c对每层的权值进行微调，其中，根据多图正则化函数对成本函数c进行求解得到微调函数C，并利用微调函数C对每层MultiGr

的权值进行微调，其中，多图正则化函数O (D,τ)为：其中，D为样本特征矩阵；Lυ为样本υ的拉普拉斯图；τυ为样本υ的权重；

求微调函数C为：

在步骤S30中，

(υ)

权重矩阵Wi 的更新函数为：特征矩阵 的更新函数为：pos neg

其中，[M] 表示矩阵中所有负元素都被0替换，[M] 表示矩阵中所有正元素都被0替换；

权重矩阵Dm的更新函数为：(υ) pos (υ) neg其中，θu(Dm,A)＝β([DmA ] +[DmM ] )，(υ) neg (υ) posθd(Dm,A)＝β([DmA ] +[DmM ] )；

(υ)

加权系数α 的更新函数为：其中， λ为拉格朗日乘数；

在步骤S30中，根据函数 优化权重τ，其中，Eυ＝Τr(DLυT

D)。