1.一种基于Laplacian算子的特征选择方法，其特征在于，具体步骤如下：步骤一、建立Lasso特征选择方法优化的目标函数：T N×d

其中，X表示给定训练样本集：X＝[x1,x2,…,xN] ∈R ，xi表示第i个样本的特征向量，N表示训练样本个数，d表示特征维数；Y表示样本所对应的相应向量：Y＝[y1,y2,…N,yN]∈R，yi表示样本的类标签，且yi∈{+1,-1}；w表示特征向量的回归系数；λ>0表示一个正则化参数，用于平衡模型复杂度和数据拟合程度；

步骤二、在步骤一的Lasso目标函数中引入一个正则化项：其中，S＝[Sij]表示一个相似矩阵，定义了两个样本之间相似性；xi和xj分别表示两个样本；L＝D-S表示Laplacian矩阵，D表示对角矩阵，且根据所引入的正则化项，采用基于Laplacian算子的特征选择方法，构建Lap-Lasso目标函数模型，其表达如下：其中，λ和β是两个大于0的常数；

步骤三、求解上述Lap-Lasso目标函数模型，其中，Lasso稀疏化项使得少量的特征能被选择，而Laplacian正则化项保留同类标签样本的局部相邻结构信息，实现帮助诱导出更有判别力的特征。

2.如权利要求1所述的一种基于Laplacian算子的特征选择方法，其特征在于，采用APG算法优化Lap-Lasso目标函数模型：

201、将Lap-Lasso目标函数模型划分成两部分，分别是：平滑部分：

非平滑部分：g(w)＝C‖w‖1；

202、构建函数用以近似表示f(w)+g(w)：其中， 表示第k次迭代点wk的梯度，l表示步长；

203、对APG算法进行更新：

其中，

3.如权利要求2所述的一种基于Laplacian算子的特征选择方法，其特征在于，步骤

203中，所述对APG算法更新计算的方法是：将更新计算问题分解成d个独立的子问题，所述子问题的解析解为：

4.如权利要求1或3所述的一种基于Laplacian算子的特征选择方法，其特征在于：步骤二中，参数λ和β的值的计算方法是：将训练数据通过交叉验证来确定。

5.如权利要求4所述的一种基于Laplacian算子的特征选择方法，其特征在于：所述相似矩阵S用以保存映射时同类样本的局部相邻结构信息。