1.一种基于多视角字典学习的图模型，其特征在于，包括数据预处理模块、稀疏编码学习模块、综合字典学习模块、分析字典学习模块、SVM分类器学习模块、损失函数模块、主函数模块和测试模块，其中：所述数据预处理模块的工作是对原始图数据进行降维、数据类型转换与封装；使用主成分分析PCA和线性判别分析LDA算法对原始图数据进行降维，该降维过程分两步进行；首先使用PCA算法对矩阵形式的图数据的主要特征进行提取，提取出来的主要特征按贡献度由大到小重新排序并组成新的数据矩阵，再由LDA算法对该数据进行降维，达到预先设定的特征维度；紧接着对数据进行类型转换，最后对数据进行封装，以供后期训练使用；

所述稀疏编码学习模块的工作是完成稀疏编码的求解过程；首先定义稀疏编码为张量Tensor类型的变量，然后根据字典学习的前向关系计算模块的输出，即Outs＝B*S，其中B为综合字典，S为稀疏编码，Outs为稀疏编码学习模块的输出；

所述综合字典学习模块的工作是实现综合字典的构建过程；预先根据经验设定综合字典的原子数item，原子数的大小决定综合字典属于过完备字典、完备字典或欠完备字典中的某一种，这里选择成为过完备字典，接着使用预设定的原子数定义综合字典为张量类型的变量，再根据公式Outb＝B*S，计算模块的输出，其中B为综合字典，S为稀疏编码，Outb为本模块的输出；

所述分析字典学习模块的工作是根据输入样本数据求解其稀疏编码；先定义分析字典为张量类型的变量，再根据公式S＝P*X，计算输入样本数据的稀疏编码，其中X为输入样本数据，P为分析字典，S为样本X对应的稀疏编码；

所述SVM分类器学习模块的工作是对稀疏编码进行分类；首先，根据任务需要定义合适T

的SVM分类器参数，然后利用前一步得到的分析字典，结合输入样本，按照公式y＝W*P*X+b计算分类器的输出，其中W为分类器的权重向量，b为分类器偏移向量，y为本模块的输出，其包含多个视角下的多个标签，是一个向量形式的标签；

所述损失函数模块的工作就是根据各学习模块的输出计算误差损失函数；根据公式分别计算各学习模块的损失函数，所述公式如下：所述主函数模块的工作就是综合调用前面各个模块完成模型的训练、验证与保存工作；首先选择Adam为优化算法，接着调用各学习模块进行模型的前向计算，再调用损失函数模块计算各学习模块的损失函数，然后使用PyTorch的自动求导机制进行梯度计算，并利用Adam优化算法对模型参数进行梯度更新，最后将训练好的模型保存在文件中，以供测试模块使用；

所述测试模块的任务就是根据SVM分类器预测的标签与真实标签，计算模型的准确率；

首先将训练好的模型参数文件读取出来并加载到模型中，接着利用模型中的分析字典P获取测试样本的稀疏编码，并将编码送入已经训练好的SVM分类器来预测相对应的标签值，此时的标签为多个视角下的标签向量，然后利用投票机制综合这些多视角下的多个标签并得出最终的预测标签y1，将最终预测标签y1与真实的标签进行比较运算得出模型的准确率。