1.一种无监督正则化矩阵分解特征选择方法，包括以下步骤：

1)输入样本数据矩阵X∈Rn×m；其中，n表示样本总数，m表示数据的特征维数；

2)构建基于非负矩阵分解模型用于特性选择：其中，Ik×k是大小为k×k的单位矩阵，H∈Rk×m是系数矩阵，它将原始特征投影到被选特征所张成的子空间中，W＝[w1,w2,w3,...,wm]T∈Rm×k为特征权值矩阵；

3)构建内积正则项约束用于降低特征的相关性：

4)构建基于内积正则化非负矩阵分解的特征选择目标函数：其中，公式(3)的第一项是度量被选特征表示原始高维数据的能力，第二项是确保特征权矩阵W是稀疏和低冗余的，β是平衡这两项之间的权衡参数；

5)通过迭代优化策略求解目标函数；

6)计算||wi||2,i＝1,2,...,m值按升序方式排序m个特征，选择前p个特征形成最优特征子集，它们对应的索引集合{idx1,idx2,...,idxp}作为最终输出。

2.根据权利要求1所述的方法，其特征在于：通过迭代优化策略求解目标函数的具体步骤为：

1)初始化权值矩阵W＝rand(m,k)和系数矩阵H＝rand(k,m)，其中，rand()为随机函数，k为任意非负整数，最大迭代次数T，t＝1；

2)重复执行以下几步直到t>T：

a)计算对角矩阵

b)计算W＝WD-1和H＝DH；

c)固定H，更新W：

d)固定W，更新H：

e)t＝t+1。