1.基于多标签学习的无监督特征选择方法，其特征在于，包括：对获取的每个数据样本进行特征提取，得到特征数据集，根据特征数据集构造基于多标签学习的无监督特征选择目标函数，学习二值多标签矩阵和特征选择矩阵；

采用基于增广拉格朗日乘子法的离散优化方法求解基于多标签学习的无监督特征选择目标函数，得到特征选择矩阵；

对特征选择矩阵进行排序确定要选择的目标特征；

所述基于多标签学习的无监督特征选择目标函数为：

其中，xi,xj∈R1×d分别表示第i,j个样本，此处，1≤i,j≤n；G∈Rn×n是学习的动态相似度图，gij是G的第i行第j列的元素，此处，1≤i≤n，1≤j≤n；|| ||F为矩阵的F范数；

是动态图G的拉普拉斯矩阵，度矩阵D是一个对角矩阵，其第i个对角元素为XT是矩阵X的转置；B∈{0,1}n×l是二值多标签矩阵，l是二值多标签的长度；P∈Rd×l是特征选择矩阵；μ，α为平衡参数，σ，β为正则化参数，n是样本个数；||P||2,1是矩阵P的L2,1范数；

所述构造基于多标签学习的无监督特征选择目标函数包括：采用回归模型学习特征选择矩阵，获得低维的特征子空间，采用L2,1范数最小化项将特征选择矩阵约束为行稀疏；

对特征数据集采用高斯核函数创建与每个特征对应的相似度图，并通过学习动态相似度图，采用谱分析得到二值多标签矩阵；

通过谱嵌入将学习的二值多标签矩阵和特征选择矩阵构造为基于多标签学习的无监督特征选择目标函数；

学习所述特征选择矩阵为：

所述采用基于增广拉格朗日乘子法的离散优化方法求解基于多标签学习的无监督特征选择目标函数的求解过程具体包括：对目标函数中特征选择矩阵、二值多标签矩阵变量和动态相似度图矩阵的三个变量，固定任意两个变量，求解第三个变量；

设定迭代次数，对上述求解过程进行迭代求解，得到特征选择矩阵的局部最优解。

2.如权利要求1所述的基于多标签学习的无监督特征选择方法，其特征在于，动态相似度图的学习过程表示为：其中，G是动态相似度图，gij是G的第i行第j列的元素，1≤i≤n，1≤j≤n，σ为正则化参数，n是样本个数。

3.如权利要求1所述的基于多标签学习的无监督特征选择方法，其特征在于，所述迭代求解中：针对目标函数的谱嵌入Tr(BTLGB)项，采用辅助离散变量Z∈{0,1}n×l来替代第二个二值多标签矩阵B变量，通过固定基于多标签学习的无监督特征选择目标函数中的动态相似度图矩阵、特征选择矩阵和二值多标签矩阵变量，求解辅助离散变量。

4.基于多标签学习的无监督特征选择系统，其特征在于，包括：目标函数构造模块，其用于对获取的每个数据样本进行特征提取，得到特征数据集，根据特征数据集构造基于多标签学习的无监督特征选择目标函数，学习二值多标签矩阵和特征选择矩阵；

求解模块，其用于采用基于增广拉格朗日乘子法的离散优化方法求解基于多标签学习的无监督特征选择目标函数，得到特征选择矩阵；

选择模块，其用于对特征选择矩阵进行排序确定要选择的目标特征；

所述基于多标签学习的无监督特征选择目标函数为：

其中，xi,xj∈R1×d分别表示第i,j个样本，此处，1≤i,j≤n；G∈Rn×n是学习的动态相似度图，gij是G的第i行第j列的元素，此处，1≤i≤n，1≤j≤n；|| ||F为矩阵的F范数；

是动态图G的拉普拉斯矩阵，度矩阵D是一个对角矩阵，其第i个对角元素为T n×l

X是矩阵X的转置；B∈{0,1} 是二值多标签矩阵，l是二值多标签的长度；P∈Rd×l是特征选择矩阵；μ，α为平衡参数，σ，β为正则化参数，n是样本个数；||P||2,1是矩阵P的L2,1范数；

所述构造基于多标签学习的无监督特征选择目标函数包括：采用回归模型学习特征选择矩阵，获得低维的特征子空间，采用L2,1范数最小化项将特征选择矩阵约束为行稀疏；

对特征数据集采用高斯核函数创建与每个特征对应的相似度图，并通过学习动态相似度图，采用谱分析得到二值多标签矩阵；

通过谱嵌入将学习的二值多标签矩阵和特征选择矩阵构造为基于多标签学习的无监督特征选择目标函数；

学习所述特征选择矩阵为：

所述采用基于增广拉格朗日乘子法的离散优化方法求解基于多标签学习的无监督特征选择目标函数的求解过程具体包括：对目标函数中特征选择矩阵、二值多标签矩阵变量和动态相似度图矩阵的三个变量，固定任意两个变量，求解第三个变量；

设定迭代次数，对上述求解过程进行迭代求解，得到特征选择矩阵的局部最优解。

5.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行如权利要求1-3任一项所述的方法。

6.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-3任一项所述的方法。