1.一种基于低通滤波和l1范数的图神经网络系统，其特征在于，按照对图信号处理的流程，包括输入模块、随机失活模块、第一图卷积神经网络模块、动态线性整流模块、第二图卷积神经网络模块、基于低通滤波和l1范数的图神经网络模块、归一化指数函数模块和输出模块；

所述输入模块，用于接收图信号以及表征图拓扑结构的邻接矩阵；

所述随机失活模块，用于随机丢弃图信号中的少部分特征，防止过拟合问题的出现；

所述第一图卷积神经网络模块，用于对图信号进行第一次学习，提取图信号的特征；

所述动态线性整流模块，用于增加图神经网络各层之间的非线性关系；

所述第二图卷积神经网络模块，用于对图信号进行第二次学习，提取图信号的特征；

所述基于低通滤波和l1范数的图神经网络模块，用于对图信号进行学习，提取图信号的特征；

所述归一化指数函数模块，用于将图节点分类的结果以概率的形式展现出来；

所述输出模块，用于输出图节点的类别；

所述基于低通滤波和l1范数的图神经网络模块包括采用近端交替预测校正算法进行求解；

所述基于低通滤波和l1范数的图神经网络模块对应的优化方程如下所示：其中，X表示输入到图神经网络中的原始信号，Y是图神经网络模型经过K步迭代之后的最终表示信号，μ,ρ1和ρ2分别为平衡参数， 为正则化的邻接矩阵， 是度矩阵，Α为图的邻接矩阵，I为单位矩阵，tr(·)是矩阵的迹， 为图的拉普拉斯矩阵，||·||1为l1范数， Vi是图的第i个顶点，Vj是图的第j个顶点，di是度的第i个元素值，dj是度的第j个元素值，Yi和Yj是Y的第i个和j个元素值。

2.根据权利要求1所述的基于低通滤波和l1范数的图神经网络系统，其特征在于，所述基于低通滤波和l1范数的图神经网络模块包括：拟合项、图拉普拉斯正则项和l1范数项；

所述拟合项，采用低通滤波处理，并编码原始特征矩阵信息到目标特征矩阵信息；所述图拉普拉斯正则项，是具有全局光滑作用的图拉普拉斯正则项；

所述l1范数项，是具有局部光滑自适应性的l1范数项。

3.根据权利要求2所述的基于低通滤波和l1范数的图神经网络系统，其特征在于，采用近端交替预测校正算法对式(1)进行求解，其求解过程如下所示：将式(1)对应的优化方程分为两项，具体如下所示：于是，式(1)变为：

其中，由于较难直接求解 于是将 的求解问题转换为对 的共轭函数进行求解，转换后的问题具体如下式所示：*

其中， 为上确界，g (Z)为 的共轭函数，Z为新引入的待求解矩阵变量；

于是式(2)转换为一下问题求解：

4.根据权利要求3所述的基于低通滤波和l1范数的图神经网络系统，其特征在于，采用k+1最速下降法求解Y ，求解过程如下所示：其中，k，k+1分别表示求解过程的第k，k+1步， 为 的转置；

令 则可得：

k+1

所以，最终得到Y 为：

5.根据权利要求4所述的基于低通滤波和l1范数的图神经网络系统，其特征在于，采用k+1最速上升法求解Z ，具体分为两个步骤求解：S1、根据最速上升法求解

*

S2、因为g (Z)是 对应的共轭函数，且 是关于 的l1范数，所以k+1

最终可以按列求得对应的Z ，具体表达式如下所示：其中min(,)是求最小值函数，sign(·)为符号函数。

6.根据权利要求5所述的基于低通滤波和l1范数的图神经网络系统，其特征在于，重新k+1更新变量Y ，求解过程如下所示：