1.一种基于多视图邻域证据熵的肺炎CT影像属性约简方法，其特征在于，包括如下步骤：S10、读取肺炎CT影像数据集，并将数据集转化为一个四元组决策信息系统；

S20、通过稀疏表示和距离度量两个视图表示肺炎CT影像数据样本之间的相关性，并通过融合和删除两阶段刻画邻域范围；

S30、将证据理论和邻域熵融合，构造邻域证据熵，用于刻画肺炎CT影像数据的属性重要度；

S40、计算肺炎CT影像数据集中的属性约简集合。

2.根据权利要求1所述的基于多视图邻域证据熵的肺炎CT影像属性约简方法，其特征在于，所述步骤S10包括如下步骤：S11、读取肺炎CT影像数据集，确定其属性集和决策分类，所述决策信息系统S＝，其中U＝{x1,…,xi,…,xN}表示肺炎CT影像数据的样本集，N表示肺炎CT影像的个数，xi表示第i个样本，xN表示第N个样本；C＝{a1,…,ai,…,an}表示肺炎CT影像数据属性的非空有限集，n表示肺炎CT影像数据中的属性个数，ai表示第i个属性，an表示第n个属性；D＝{d1,…,di,…,dm}表示肺炎CT影像数据决策属性的非空有限集，m表示肺炎CT影像数据中的决策类别个数，di表示第i个决策类别，dm表示第m个决策类别；V＝∪a∈C∪DVa，Va是肺炎CT影像数据属性a的可能情况；f:U×(C∪D)→V是一个信息函数，它为每个CT影像赋予一个信息值，即S12、根据数据集中决策属性D的不同信息值个数，将所述肺炎CT影像数据集S划分为t个数据子集，且满足 其中Si表示第i个数据子集，Sj表示第j个数据子集，i≠j，i＝1,2,…,t，j＝1,2,…,t。

3.根据权利要求1所述的基于多视图邻域证据熵的肺炎CT影像属性约简方法，其特征在于，所述步骤S20包括如下步骤：S21、将肺炎CT影像数据集设置为X，X的重构权重矩阵为W，通过稀疏约束函数计算待考察样本xi和其它样本{x1,x2,…,xi‑1,xi+1,…,xN}之间的稀疏相关性，待考察样本xi的目标函数如下：其中，xi‑1表示第i‑1个样本，xi+1表示第i+1个样本， 是Frobenius范数的平方，F是范数的选取方式，||·||1是1范数，T是矩阵的转置变换，η和μ是取值为0到1之间的参数，RT T(W)＝Tr(WXLXW)为局部保持投影正则化项，其中，L是拉普拉斯矩阵，表示属性之间的关系信息，Tr是矩阵的迹，即该矩阵对角线元素之和；

S22、根据肺炎CT影像数据集重构得到的权重矩阵W，看出样本间的稀疏相关性，若稀疏相关性大于0，则认为该两个样本间呈正相关关系，将其放入稀疏邻域集合中，并记呈正相关关系样本的个数为k，对于 样本xi由稀疏表示得到的稀疏邻域集合SNA(xi)定义如下：

SNA(xi)＝{xj|xj∈U,W(xi,xj)＞0}

其中，A表示在数据属性非空有限集C中的属性子集，xj表示第j个样本，W(xi,xj)表示xi和xj之间的稀疏相关权重值；

S23、计算肺炎CT影像样本xi和其它样本xj之间的欧氏距离dis(xi,xj)，其定义如下：其中，f(x,at)表示样本x在第t个属性at中的值；

S24、根据欧氏距离和k值，采用k近邻思想，即根据距离选取前k个邻居，求解距离邻域集合，对于 样本xi由k近邻得到的距离邻域集合KNA(xi)定义如下：

其中， 表示距离xi的第n个样本， 表示离xi最近的第n个样本的距离；

S25、将由肺炎CT影像数据的稀疏邻域集合和距离邻域集合进行融合，得肺炎CT影像数据集的多视图邻域集合MNA(xi)，即：MNA(xi)＝{xj|xj∈SNA(xi)∪xj∈KNA(xi)}

S26、对融合后的邻域集合进行一阶删减操作，计算肺炎CT影像数据集中的样本xi与其邻域集合中的样本xj的平均距离，记为ave，比较dis(xi,xj)和ave之间的大小关系，若dis(xi,xj)>ave，则认为样本xj与样本xi之间不满足一阶邻域关系，将样本xj从xi的多视图邻域集合中删除，对于 样本xi经过第一次删除后得到的一阶邻域集合为其计算公式如下：

S27、根据中垂线定理，对肺炎CT影像数据集中样本的一阶邻域集合进行二阶操作，删除不满足二阶要求的样本，使用垂直平分线来确定邻域集合中的样本xj是否存在于垂直平分线靠待考察样本xi的一侧，对邻域集合中的所有样本进行计数，如果样本xj在待考察样本xi的一侧，则数值保持不变，否则数值增加1，计数结束，则认为数值最大的样本与待考察样本xi之间不满足二阶邻域关系，被视为冗余样本，将冗余样本删除后，得到肺炎CT影像数据样本的二阶邻域集合，根据中垂线定理，对于 样本xi经过第二次删除后得到的二阶邻域集合为 删减的定义如下：

其中，count表示根据垂直平分线计算样本xj是否与待考察样本xi在同一侧的数值，n'表示待考察样本xi的一阶邻域集合中的数量， 表示根据垂直平分线计算xi一阶邻域中的样本不在待考察样本xi同一侧的最大值。

4.根据权利要求1所述的基于多视图邻域证据熵的肺炎CT影像属性约简方法，其特征在于，所述步骤S30包括如下步骤：S31、计算肺炎CT影像数据集中的待考察第p个样本xp和其它第q个样本xq之间的距离p,q p,q p,q p,qdis(xp,xq)和稀疏表示W(xp,xq)，分别表示为dis 和spa ，根据dis 和spa 计算肺炎CT影像样本xp的二阶邻域S32、计算肺炎CT影像数据集中的其它样本xq为待考察样本xp提供的证据信息，Ω＝U/D＝{D1,D2,...,Dj}为肺炎CT影像数据集的决策类划分集，其中，j为决策划分的个数，Dj为第j个决策类划分，如果肺炎CT影像样本xq的类别标签为lt和决策类划分为Dt，那么(xq,Dt)独立地为待考察样本xp提供证据支持，其所包含的证据信息 定义如下：其中，Dt为第t个决策类划分，w1和w2表示距离度量和稀疏表示的重要性权重占比，w1+w2＝1，μ是距离度量的相关参数，η是稀疏表示的相关参数，且满足μ＞0和η＞0；

S33、计算肺炎CT影像样本xp的二阶邻域 中类别标签为lt的样本集为样本集 对xp的证据支持表示为 即：

S34、计算肺炎CT影像样本xp在不同类别标签下的证据信息 并对证据信息进行合并操作，其具体表示为：其中， j为决策划分的个数；

S35、计算肺炎CT影像样本xp对决策类划分Ω＝U/D＝{D1,D2,...,Dj}中的Dt类的信任函数 具体定义如下：S36、计算肺炎CT影像样本xp的邻域证据熵H(D|A)，xp的二阶邻域集合为[xp]D是xp的一个等价类，则邻域证据熵的定义如下：

其中，|U|为论域的个数。

5.根据权利要求1所述的基于多视图邻域证据熵的肺炎CT影像属性约简方法，其特征在于，所述步骤S40包括如下步骤：S41、计算肺炎CT影像数据集中的每个病理属性 相对于约简集red的外部重要度度量sigout(red,a,D)＝H(D|red)‑H(D|red∪{a})，选择具有最大属性重要度对应的属性ak；

S42、判断sigout(red,ak,D)是否大于0，若满足sigout(red,ak,D)＞0，则将属性ak加入约简集red中，并在候选属性子集C中进行删除；

S43、计算并比较H(D|red)和H(D|C)，如果H(D|red)≥H(D|C)并且sigout(red,ak,D)≤0，则将属性ak从约简集red中删除，直到S44、对于约简集red中的每个属性 分别再次计算其属性内部重要度度量，sigin(red,aw,D)＝H(D|red‑{aw})‑H(D|red)，依次删除属性aw，比较sigin(red,aw,D)是否大于0，如果sigin(red,aw,D)≤0，则将属性aw从约简集red中删除，对red中的所有属性依次循环遍历后，输出肺炎CT影像数据集的约简集red。