1.一种基于张量全局-局部保持投影的数据降维方法，其特征在于：所述方法包括以下步骤：

1）输入待降维的样本集X={X1,X2,…,Xi,…,Xn}，其中每个样本Xi具有二阶张量的结构K×J形式，即Xi∈R ，式中R表示实数域，K和J分别是样本的行维数和列维数；

2）计算各样本对(Xi,Xj)之间的距离d(Xi,Xj)；

3）划分各样本点Xi的邻域Ω(Xi)，得到其近邻点和非近邻点；

4）根据各样本对(Xi,Xj)之间的近邻和非近邻关系，分别计算权值Wij和式中||·||表示矩阵的Frobenius范数，参数σ为正实数，根据经验确定；利用权值Wij和 建立邻接权矩阵W和非邻接权矩阵

5）建立对应于数据局部结构保持的目标函数JTLocal(U,V)：式中U∈RK×K1和V∈RJ×J1是投影矩阵，K1≤K，J1≤J，LV=DV–WV，LU=DU–WU，Dii ＝ ΣjWij，建立对应于数据全局结构保持的目标函数JTGlobal(U,V)：式 中

分别计算权系数η1和

η2：

式中ρ(·)是矩阵的谱半径，分别构造如下两个优化问题：式 中

IK、IJ、IK1和IJ1分别是维数为K、J、K1和J1的单位矩阵；

6）将步骤5）中的两个优化问题转换为两个广义特征值问题：MUv＝λNUv （9）

MVu＝λNVu （10）

迭代求解这两个问题分别得到一组特征向量v1，v2，…，vJ和u1，u2，…，uK，然后分别构建投影矩阵U和V；

7）利用投影矩阵U和V对数据样本集X进行投影得到低维数据Y={Y1,Y2,…,Yi,…,Yn}，K1×J1其中Yi＝UTXiV∈R 。

2.如权利要求1所述的一种基于张量全局-局部保持投影的数据降维方法，其特征在于：所述步骤2）中，样本对(Xi,Xj)之间的距离d(Xi,Xj)定义为：d(Xi,Xj)＝||Xi-Xj||，式中||·||表示矩阵的Frobenius范数。

3.如权利要求1或2所述的一种基于张量全局-局部保持投影的数据降维方法，其特征在于：所述步骤3）中，样本点Xi的邻域Ω(Xi)用k近邻法定义，k近邻法定义的邻域为：Ω(Xi)＝{距离Xi最近的k个点}，参数k是正实数，根据样本点Xi的邻域Ω(Xi)确定其近邻点和非近邻点的具体方法为：如果样本点Xj在Xi的邻域内，即Xj∈Ω(Xi)，则Xj称为Xi的近邻点，否则Xj称为Xi的非近邻点。

4.如权利要求1或2所述的一种基于张量全局-局部保持投影的数据降维方法，其特征在于：所述步骤3）中，样本点Xi的邻域Ω(Xi)用ε近邻法定义，ε近邻法定义的邻域2

为：Ω(Xi)＝{X|||X-Xi|| ＜ε}，参数ε是正实数，根据样本点Xi的邻域Ω(Xi)确定其近邻点和非近邻点的具体方法为：如果样本点Xj在Xi的邻域内，即Xj∈Ω(Xi)，则Xj称为Xi的近邻点，否则Xj称为Xi的非近邻点。

5.如权利要求1或2所述的一种基于张量全局-局部保持投影的数据降维方法，其特征在于：所述步骤6）中，迭代求解式（9）和式（10）的具体步骤为：①设定需迭代计算的次数m；②记m=1，初定投影矩阵U为单位矩阵，计算得到MU和NU；③求取式（9）的特征向量v1，v2，…，vJ，并构成投影矩阵V=[v1,v2,…,vJ]，计算得到MV和NV；④求取式（10）的特征向量u1，u2，…，uK，并更新投影矩阵U=[u1,u2,…,uK]，计算得到MU和NU，返回步骤③，记m=m+1，重复步骤③和④直到迭代次数m达到预设值，最后得到的特征向量v1，v2，…，vJ和u1，u2，…，uK分别是式（9）和式（10）的解，最后，选取式（9）的前J1（J1≤J）个最小非零J×J1特征值所对应的特征向量v1，v2，…，vJ1构成投影矩阵V＝[v1,v2,…,vJ1]∈R ；选取式（10）的前K1（K1≤K）个最小非零特征值所对应的特征向量u1，u2，…，uK1构成投影矩阵K×K1U＝[u1,u2,…,uK1]∈R 。