1.一种基于多流形对偶图正则化非负矩阵分解的多视图聚类方法，其特征在于，包括：S10获取待聚类视图；

S20针对每个待聚类视图构建数据图的邻接矩阵和特征图的邻接矩阵；

S30通过一致性系数及多视图局部嵌入得到多流形对偶图正则化非负矩阵分解的目标函数；

S40根据目标函数使用迭代加权的方法迭代预设次数，对每个待聚类视图数据图的邻接矩阵、特征图的邻接矩阵及图正则项进行更新，得到各待聚类视图的特征矩阵；

S50采用k-means聚类算法分别对每个待聚类视图的特征矩阵进行分析，实现多视图聚类。

2.如权利要求1所述的多视图聚类方法，其特征在于，在步骤S30中，建立的目标函数Ω为：U(v)≥0,V(v)≥0,V*≥0,U*≥0其中，nv表示待聚类视图的数量，X(v)表示第v个待聚类视图的数据矩阵，且v＝1,2,...,nv，m(v)表示第v个待聚类视图的维度，n表示待聚类视图中数据点(v) *的数量；U 表示第v个待聚类视图的特征矩阵，U 表示一致特征矩阵，且V(v)表示第v个待聚类视图的系数矩阵，V*表示一致系数矩阵，且 αv和βv表示权重系数，λ和μ表示正则化系数，η和σ表示正则化项控制系数；L(v)表示第v个待聚类视图系数矩阵V(v)的拉普拉斯矩阵，且表示第v个待聚类视图的对角矩阵， A(v)表示第v个待聚类视图数据图的邻接矩阵， 表示第v个待聚类视图特征矩阵U(v)的拉普拉斯矩阵，且 表示第v个待聚类视图的另一对角矩阵， B(v)表示第v个待聚类视图特征图的邻接矩阵， 表示拉普拉斯矩阵 的权重参数， 表示拉普拉斯矩阵 的权重参数。

3.如权利要求2所述的多视图聚类方法，其特征在于，在步骤S40中，特征矩阵U(v)的更新规则为：一致特征矩阵U*的更新规则为：

系数矩阵V(v)的更新规则为：

一致系数矩阵V*的更新规则为：

权重参数 的更新规则为：

权重参数 的更新规则为：

其中，γ和ζ表示权重控制参数， Dv*＝∑* * *

jAij ，Du＝∑jBij ， θv和 表示第v个待聚类视图的权重参数， 表示根据第v个待聚类视图的数据构建的数据矩阵， 表示根据第v个待聚类视图的特征构建的特征矩阵，且第v个待聚类视图数据图的邻接矩阵 第v个待聚类视图特征图的邻接矩阵 数据矩阵 与特征矩阵 通过多视图局部线性嵌入算法计算。