1.一种基于局部流形正则化的半监督生成对抗网络图像分类方法，其特征在于，包括以下步骤：步骤1：获取要进行分类的图像数据集，采用机器标注或人工标注的方式对一部分图像进行类别标记，标注的类别总数记为N，另一部分为无标签数据，将所有图像数据分为训练集和测试集。

步骤2：构建局部生成器并对局部生成器正则化，对训练集的数据使用转置卷积神经网络训练局部生成器，输出符合数据集分布的生成图像数据；

步骤3：将有标签数据、无标签数据及生成器生成的假数据输入判别器中，采用卷积神经网络训练判别器，输出对图像数据所属类别的预测；

步骤4：训练基于局部流形正则化的半监督生成对抗网络，计算判别器损失，判别器损失为有监督损失与无监督损失之和再加上局部流形正则化项，使用特征匹配的方法计算生成器损失；

步骤5：使用反向传播算法优化参数，最小化损失函数，对图像数据集进行分类模型训练，使用测试集图像验证模型性能；建立半监督图像分类模型，对新输入的无标签图像数据进行分类判别。

2.根据权利要求1所述的基于局部流形正则化的半监督生成对抗网络图像分类方法，其特征在于，所述步骤1具体包括：建立图像数据集，对一部分数据进行标记，图像的总类别记为N，定义有标签数据集其中xi为图像，yi为对应的标签，定义无标签数据集将图像数据集分为训练集和测试集，训练集用来训练半监督分类模型，测试集用来测试模型的分类效果。

3.根据权利要求1所述的基于局部流形正则化的半监督生成对抗网络图像分类方法，其特征在于，所述步骤2构建局部生成器并对局部生成器正则化具体方法为，对于生成器G(x,z)上的数据流形 构建一个关于数据点x的局部坐标表 其中局部坐标z由欧几里德空间 上的随机分布Pz得到，位于不同数据点上的局部生成器能够覆盖整个数据流形 为了防止流形的切线空间坍缩，生成器需要满足以下两个条件：

1)局部性：G(x,0)＝x，即局部坐标z的初始位置应位于x上；

2)正交性： 其中， 为N个流形切向量 叠加到矩阵的列中得到

的雅可比矩阵，IN是大小为N的单位矩阵。

为了满足以上两个条件，使用下式对局部生成器进行正则化：

其中λ和γ为权重系数，当使用深度卷积网络训练生成器时，通过反向传播算法对(1)进行最小化。

4.根据权利要求3所述的基于局部流形正则化的半监督生成对抗网络图像分类方法，其特征在于，所述步骤2使用卷积神经网络训练生成器的过程具体为：将100维均匀随机噪声输入生成器，经过一个密集连接的全连接层，得到维度为6*6*512的特征图，对该特征图进行批归一化，使用ReLU作为激活函数；经过若干层转置卷积层，输出一个与所用图像数据集大小相同的生成图像，其中，中间层采用批归一化对特征图进行标准化，采用ReLU作为激活函数；最后一层卷积层采用权重归一化，采用tanh函数作为激活函数；

生成器的训练定义为最大化生成样本的概率，同时最小化正则化项：

其中D(G(x,z))表示G(x,z)为真实数据的概率， 表示在x～Px,z～Pz条件下的数学期望，同理， 表示x～Px条件下的数学期望。正则化项保证了局部性条件和正交性条件。

5.根据权利要求:4所述的基于局部流形正则化的半监督生成对抗网络图像分类方法，其特征在于，所述步骤3使用卷积神经网络训练判别器，具体步骤为：将步骤1中的有标签数据、无标签数据、步骤2中的生成数据输入判别器，判别器输出N+1维概率输出，其中，前N维表示数据分别隶属于N个图像类别的概率，第N+1维表示输入图像为真实数据的概率，具体过程为，在输入层中对输入图像的数据点随机失活,降低模型的过拟合风险。卷积层采用权重归一化，使用Leaky ReLU作为激活函数。经过若干卷积层后，得到一组特征图，将其输入两层MLP卷积层，得到的输出作为判别器的中间层输出；最后采用全局池化和密集连接的方式重构中间层输出，使用Softmax函数计算输入图像隶属于每个类别的概率，由于Softmax函数的特殊性质： 可以将第N+1类的概率映射到前N个类别，采用这种方法，将判别器的N+1维输出整理为N维。

判别器的训练定义为最大化真实样本的概率：

其中D(x)表示x为真实数据的概率。

6.根据权利要求5所述的基于局部流形正则化的半监督生成对抗网络图像分类方法，其特征在于，所述步骤4的生成器的总损失函数描述为对下式进行最小化：其中，第一项为特征匹配损失，h(x)为步骤3中判别器的中间层输出，第二项为步骤2中的(1)，对生成样本数据流形的局部性和正交性做出了相应的限制。

7.根据权利要求5所述的基于局部流形正则化的半监督生成对抗网络图像分类方法，其特征在于，所述步骤4的判别器的总损失函数描述为对下式进行最小化：LD＝Lsupervised+Lunsupervised+μΩmanifold其中，μ为权重系数，Lsupervised表示有监督损失、Lunsupervised表示无监督损失、Ωmanifold表示流形正则化项。