1.一种基于深度非负矩阵分解的多视图聚类方法，其特征在于，包括以下具体步骤：获取图像数据，基于深度非负矩阵分解DMF获得图像数据在不同表征层上的基矩阵和系数矩阵；

根据基矩阵和系数矩阵构建多视图DMF模型，根据基矩阵进行特征多样性约束，基于kNN确定最优图正则化；

根据多视图DMF模型、特征多样性约束和最优图正则化确定优化模型，所述优化模型包括：p

其中，X表示数据矩阵， 表示任一视图的基矩阵， 表示最后一层视图的基矩阵，*表示系数矩阵， 是一个元素全为1的列向量，α和β是两个权重参数，L表示拉普拉斯矩阵；

对优化模型进行求解，确定一致性系数矩阵，采用k‑means对一致性系数矩阵进行聚类，得到聚类结果。

2.根据权利要求1所述的基于深度非负矩阵分解的多视图聚类方法，其特征在于，所述基于DMF获得图像数据的基矩阵和系数矩阵具体包括：p

获取第p个视图数据矩阵X，确定第p视图r层的基矩阵为 第p视图R层的系数矩阵为

3.根据权利要求2所述的基于深度非负矩阵分解的多视图聚类方法，其特征在于，所述构建多视图DMF优化模型具体包括：p

基于数据矩阵X、基矩阵 和系数矩阵 构建多视图DMF模型；

采用对数损失函数优化多视图DMF模型，得到多视图DMF优化模型，所述多视图DMF模型包括：p p

其中 是矩阵X的F范数，X表示数据矩阵， 表示任一视图的基矩阵，URp表示最后一层视图的基矩阵，VR表示系数矩阵。

4.根据权利要求3所述的基于深度非负矩阵分解的多视图聚类方法，其特征在于，所述多视图DMF优化模型包括：其中， 表示当xi是一个离群值点时，对数损失小于平方损失。

5.根据权利要求1所述的基于深度非负矩阵分解的多视图聚类方法，其特征在于，所述根据基矩阵进行特征多样性约束具体包括：基于基矩阵获取基向量，对两个基向量之间的内径进行极小化，得到特征多样性约束，所述特征多样性约束包括：其中，tr(·)是矩阵的迹运算，lr是第r层的分解维度， 是第p个视图第r层基矩阵中的第i个列向量， 是一个元素全为1的列向量。

6.根据权利要求1所述的基于深度非负矩阵分解的多视图聚类方法，其特征在于，所述基于kNN确定最优图正则化具体包括：获取样本的近邻点组成的集合，基于kNN计算每个视图的相似度矩阵；

计算最优图通过选择所有视图的相似度矩阵中最小的元素组合成一个新的相似度矩阵；

基于新的相似度矩阵计算对角度矩阵和拉普拉斯矩阵；

根据系数矩阵和拉普拉斯矩阵，确定最优图正则化。

7.根据权利要求6所述的基于深度非负矩阵分解的多视图聚类方法，其特征在于，所述最优图正则化构建步骤包括：* 1 2 P

(W)ij＝min{(W)ij,(W)ij,...,(W)ij}p

其中，当样本 是样本 的k近邻或者样本 是样本 的k近邻时，否则(W)ij＝0；Wij表* *示相似度矩阵，(W)ij表示新的相似度矩阵， 表示对角度矩阵，L表示拉普拉斯矩阵。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的一种基于深度非负矩阵分解的多视图聚类方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任一项所述的一种基于深度非负矩阵分解的多视图聚类方法。