1.基于动态证据融合神经网络的精神分裂症多视图分类方法，其特征在于，包括以下步骤：S1：利用边缘到边缘、边缘到节点和节点到图卷积滤波器提取精神分裂症患者动态脑d d d d网络连接矩阵A＝{A(1),A (2),…,A(V)}每个视图的特征图dFCN2G，其中 将精神分裂症患者的动态脑网络连接矩阵依次经过三个卷积滤波器得到特征图其中1≤v≤V，V是视图数量， 是特征图矩阵；

S2：将每个视图的特征图分别通过三个全连接层和一个激活层Softplus，得到动态证据 其中1≤v≤V，V是视图数量，1≤k≤K，K是类别数；

S3：根据动态证据e为每个类标签分配一个置信度 并为整个框架分配一个总体不确v定性质量u，由动态证据e导出迪利克雷分布参数 针对精神分裂症患者动态脑网络数据的时序性调整置信度后构建动态信任函数 并计算每个视图的动态信任函数 其中1≤v≤V，V是视图数量，1≤k≤K，K是类别数；

所述步骤S3包括如下步骤：

步骤S3.1：对于第v个窗口，根据动态证据 为每个类标签分配一个置v信度 并为整个框架分配一个总体不确定性质量u，且它们的总和是1，即 其v中，u≥0和 分别表示第v个窗口的总体不确定性和第k类的置信度，1≤v≤V，V是视图数量，1≤k≤K，K是类别数；

步骤S3.2：由动态证据 导出迪利克雷分布参数v

即αk＝ek+1，置信度 和不确定性u的计算公式如下：其中，

步骤S3.3：针对精神分裂症患者动态脑网络数据的时序性调整置信度 如公式(5)所示：其中，当v＝1时， 当1＜v＜V时，当v＝V时，

其中，

步骤S3.4：构建动态信任函数 其中 是每个视图的动态信任函数，1≤v≤V，V是视图数量，1≤k≤K，K是类别数；

S4：使用证据合成规则融合每个视图的动态信任函数 得到联合信任函数 其中1≤v≤V，V是视图数量，1≤k≤K，K是类别数；

S5：调整交叉熵损失并引入KL散度项DKL为迪利克雷分布添加先验作为正则项，如公式(1)所示，使用多视图损失l作为最终的损失函数训练神经网络，如公式(2)所示：其中，yik是第i个样本的类别k的预测结果，ψ(·)是digamma函数， λ＞0是平衡因子，Pi是单纯形上的类别分配概率， 是迪利克雷分布的调整参数。

2.根据权利要求1所述的基于动态证据融合神经网络的精神分裂症多视图分类方法，其特征在于，所述步骤S4包括如下步骤：步骤S4.1：利用证据合成规则处理第一个窗口的信任函数 和第二个窗k口的信任函数 得到联合信任函数 合成置信度b和不确定性u的计算公式如下所示：

其中

步骤S4.2：将联合信任函数 与第三个视图的信任函数 融合，得到新的联合信任函数 重复以上融合过程，直到融合完所有视图，得到最终的联合信任函数步骤S4.3：计算联合证据

步骤S4.4：比较每个视图的证据[e1,e2,…,ek]，证据最多的类别即为预测结果y'。

3.根据权利要求2所述的基于动态证据融合神经网络的精神分裂症多视图分类方法，其特征在于，所述步骤S3.3包括如下步骤：步骤S3.3.1：如果v＝1，则调整置信度 其中其中，

步骤S3.3.2：如果1＜v＜V，则调整置信度 其中其中，

步骤S3.3.3：如果v＝V，则调整置信度 其中其中，

4.根据权利要求2所述的基于动态证据融合神经网络的精神分裂症多视图分类方法，其特征在于，所述步骤S4.1包括如下步骤：步骤S4.1.1：计算第一个窗口和第二个窗口的合成置信度步骤S4.1.2：计算第一个窗口和第二个窗口的不确定性步骤S4.1.3：合成第一个窗口和第二个窗口的联合信任函数