1.一种用于模式分类的特征选择方法，其特征在于：通过采用模糊Fisher准则为目标函数求得无监督最佳鉴别矢量的基础上，根据该矢量中每一维的值求得每个特征重要性权值，按照该权值大小进行特征排序，通过给定阈值，选取特征子集，进而实现数据降维；具体包括以下各步骤：A、将原始数据转换为N×d矩阵，其中N为样本个数，d为特征维数；

B、给定阈值ε或迭代次数α，给定特征重要性阈值θ；

C、使用k-means算法初始化隶属矩阵U=[μij]c×N以及聚类中心m=(m1,m2,...,mc)，其中uij表示第j个样本属于第i类的程度，c为分割聚类数目，此处i、j为变量且取值区间分别为:[1，c]、[1，N]，设m为模糊指数且m>1；

D、使用以下公式分别计算模糊类内散布矩阵Sfw、模糊类间散布矩阵Sfb：其中隶属度函数uij∈[0,1]且 xj为N维列向量，在样本空间定义各类样本均值向量记为mi， 为所有样本均值，T表示矩阵转置；

E、使用以下公式求得矩阵 最大特征值λ对应的模为1的特征向量ω：该公式为求一般矩阵 的特征值问题，其中λ取该矩阵的最大特征值，而ω为λ对应的特征向量；

F、使用以下公式分别计算新的mi和μij：

其中mi是局部解，

其中k为变量且取值区间分别为：[1，c]，在模糊聚类中，通常限定uij∈[0,1]，因此对上式给出如下限定条件，若：则：uij=1且对所有i′≠i，有ui′j=0；

G、使用以下公式计算JFFC并将迭代次数自增1：

其中JFFC为模糊Fisher准则(Fuzzy Fisher Criterion)函数；

H、按照预先设定的条件进行判断，如预先设定的条件得到满足，则转到步骤I，否则返回步骤D；

I、使用以下公式计算各特征的重要性度量fk，并将特征按照fk降序排列：其中定义fk为第k个特征重要性度量，设ω=(ω1,ω2,…ωd)′；

J、在降序排列的特征中寻找前dθ个特征作为降维后特征，使得 且dθ最小，从而实现降维，算法结束。

2.根据权利要求1所述的用于模式分类的特征选择方法，其特征在于：步骤H中所述预先设定的条件进行判断是指：JFFC相对上次的改变量小于阈值ε。

3.根据权利要求1所述的用于模式分类的特征选择方法，其特征在于：步骤H中所述预先设定的条件进行判断是指：从步骤D至步骤H的迭代次数不小于设定次数α。

4.根据权利要求1所述的用于模式分类的特征选择方法，其特征在于：步骤H中所述预先设定的条件进行判断是指：JFFC相对上次的改变量小于阈值ε或者从步骤D至步骤H的迭代次数不小于设定次数α这两个条件种是否有至少一个得到满足。

5.根据权利要求1所述的用于模式分类的特征选择方法，其特征在于：步骤J中实现降维后需要输出形如N×dθ的降维后数据。

6.根据权利要求1所述的用于模式分类的特征选择方法，其特征在于：步骤B中阈值ε的取值区间为[0.001，0.01]。

7.根据权利要求1所述的用于模式分类的特征选择方法，其特征在于：步骤B中迭代次数α的取值区间为[20，50]。

8.根据权利要求1所述的用于模式分类的特征选择方法，其特征在于：步骤B中特征重要性阈值θ的取值区间为[0.8，0.95]。