1.高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于包括：对多模态数据进行数据处理，得到多个数据矩阵，每个数据矩阵对应一种模态，每个数据矩阵中的数据为二维的矩阵数据；

将低秩表示和拉普拉斯正则化项相结合构建非负稀疏超拉普拉斯正则化低秩表示模型，通过非负稀疏超拉普拉斯正则化低秩表示模型对每个数据矩阵进行学习，得到高阶拉普拉斯低秩子空间；

以高阶拉普拉斯低秩子空间和支持向量机为基础进行学习，得到多个分类器；

对上述多个分类器进行投票，得到最终分类器。

2.根据权利要求1所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于对多模态数据进行数据处理，得到多个矩阵数据，包括如下步骤：数据预处理：将多模态数据转化为二维的矩阵数据，矩阵数据中行数据表示样本，矩阵数据中列数据表示特征；

数据分组：基于模态之间相叠加能够产生新的模态的多模态数据的模特特征，上述多模态数据能够形成多个模态，将上述多个矩阵数据进行分组得到多个数据矩阵，每个数据矩阵对应一个模态。

3.根据权利要求1或2所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于通过非负稀疏超拉普拉斯正则化项对每个数据矩阵进行学习，得到高阶拉普拉斯低秩子空间，包括如下步骤：计算每个模态的超拉普拉斯矩阵：以每个数据矩阵为基础，构建超图，得到每个模态的超拉普拉斯矩阵；

计算每个模态的低秩表示：以构建超图过程中产生的超图数据为基础，对噪音数据进行最小化约束，对矩阵数据的低秩目标函数增加拉普拉斯正则化项，得到多个高阶拉普拉斯正则化低秩目标函数，上述多个高阶拉普拉斯正则化低秩目标函数形成高阶拉普拉斯低秩子空间。

4.根据权利要求3所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于矩阵数据的低秩目标函数为：minZ,E||Z||*+β||E||1

s.t.X＝XZ+E

其中，X为矩阵数据，X＝[x1,x2,......xn]T，X∈Rn×d，n为矩阵数据的行数量，d为矩阵数据的列数量；

Z为系数矩阵，Z∈Rn×n，表达式为：

Z为相似度矩阵，zi,j表示矩阵数据xi和矩阵数据xj的相似度；

Z同时为矩阵数据X的低秩表示，zi＝∑jzj,ixi，zj＝∑izi,jxj；1≤i≤n，1≤j≤n。

5.根据权利要求3所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于计算每个模态的超拉普拉斯矩阵，包括如下步骤：构建当前模态对应的超图G，G＝(V,E；W)，超图G中顶点的个数为N，超边的个数为Ne；V为矩阵数据的顶点集合， E为超边集合，超边为连接顶点和顶点的边， W为超边权值集合， 其元素 为对应模态中超边对应的权值；

为顶点-超边关联矩阵，其中， 为顶点是否和超边关联，即：顶点vk的度定义为

超边ej的度定义为

设定Dv∈RN×N为顶点的度矩阵，是对角矩阵，对角元素 为顶点vk的度；

为超边的度矩阵，是对角矩阵，对角元素 为超边ej的度；

基于上述定义，每个模态的超拉普拉斯矩阵为：

。

6.根据权利要求4所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于对矩阵数据的低秩目标函数增加拉普拉斯正则化项，得到多个高阶拉普拉斯正则化低秩目标函数，包括如下步骤：构建当前模态对应的超图G，G＝(V,E；W)，超图G中顶点的个数为N，超边的个数为Ne；V为矩阵数据的顶点集合， E为超边集合，超边为连接顶点和顶点的边，W为超边权值集合， 其元素 为对应模态中超边对应的权值；

以W(e)/d(e)作为系数矩阵Z中矩阵数据zi和矩阵数据zj距离的权值，得到高阶拉普拉斯正则化低秩目标函数，数据矩阵X的高阶拉普拉斯正则化低秩目标函数为：s.t.X＝XZ+E

对上述数据矩阵X的高阶拉普拉斯正则化低秩目标函数进行代数变换，得到：minZ,E||Z||*+λtr(ZLhZT)+β||E||1s.t.X＝XZ+E

其中，W(e)为超边e的权值，d(e)为超边e的度，Lh为超拉普拉斯矩阵，λ为平衡正则化项，β为低秩表示的惩罚参数。

7.根据权利要求2所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于所述多模态数据为三模态数据，基于模态之间相叠加可产生新的模态的多模态数据的模态特征，上述三模态数据能够形成七种模态，对上述三模态数据对应的矩阵数据进行分组，得到七个数据矩阵，每个数据矩阵对应一个模态。

8.高拉普拉斯正则化低秩表示的多模态数据分析系统，其特征在于包括：数据处理模块，用于对多模态数据进行数据处理，得到多个数据矩阵，每个数据矩阵对应一种模态，每个数据矩阵中的数据为多维的矩阵数据。