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

S20根据所述多视图样本集构建目标函数：其中，X(υ)为视图υ的样本数据；Wi(υ)i∈{1,2,...,m}表示视图υ的第i层映射，m为层数；

Dm表示相应视图样本的特征矩阵；α(υ)表示视图υ的加权系数；γ表示控制权重参数分布；Lk表示视图k的拉普拉斯图，且Lk＝Αk-Hk，Αk表示视图k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。

2.如权利要求1所述的分解方法，其特征在于，在步骤S20中包括：对视图样本中每层进行预训练，得到初始的权矩阵Wi(υ)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，

3.如权利要求2所述的分解方法，其特征在于，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对每层的权值进行微调，其中，多图正则化函数MultiGrO (D,τ)为：

其中，D为样本特征矩阵；Lk为样本k的拉普拉斯图；τk为样本k的权重；

求微调函数C为：

4.如权利要求1或2或3所述的分解方法，其特征在于，在步骤S30中，权重矩阵Wi(υ)的更新函数为：

特征矩阵 的更新函数为：

其中，[M]pos表示矩阵中所有负元素都被0替换，[M]neg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：

其中，θu(Dm,A)＝β([DmA(υ)]pos+[DmM(υ)]neg)，θd(Dm,A)＝β([DmA(υ)]neg+[DmM(υ)]pos)；

加权系数α(υ)的更新函数为：

其中， λ为拉格朗日乘数。

5.如权利要求1或2或3所述的分解方法，其特征在于，在步骤S30中，根据函数优化权重τ，其中，Ek＝Tr(DLkDT)。