[发明专利]一个多概率尺度自组织机器学习的方法

权利要求书

1.一个多概率尺度自组织机器学习的方法，其特征在于：是以多概率尺度为基准的；直接针对小数据的无监督的机器学习。

2.根据权利要求1所述的一个多概率尺度自组织机器学习的方法，其特征在于：所述无监督的机器学习是指：可自律的向高概率方向迁移。

3.根据权利要求1所述的一个多概率尺度自组织机器学习的方法，其特征在于：所述直接针对小数据的无监督的机器学习是指：可自律的对复数区域进行概率分布区域；或概率分布区域所属概率值进行学习。

4.根据权利要求1所述的一个多概率尺度自组织机器学习的方法，其特征在于：所述概率尺度是指：基于包括具有正态分布；多变量正态分布；对数正态分布；指数分布；t分布；F分布；X²分布；二项分布；负的二项分布；多项分布；泊松分布；爱尔朗分布(ErlangDistribution)；超几何分布；几何分布；通信量分布；韦伯分布(Weibull Distribution)；三角分布；贝塔分布(Bete Distribution)；伽马分布(Gamma Distribution)中任意一种或是引伸到贝叶斯方法(Bayesian Analysis)；高斯过程(Gaussian Processes)中的任意概率分布中任意一种概率分布特性；或通过学习得到实际概率分布的多概率尺度获得的概率信息。

5.根据权利要求1所述的一个多概率尺度自组织机器学习的方法，其特征在于：所述多概率尺度自组织可由如下公式表达：

设概率空间存在着如下的一个集合G，并且有g_f∈G，

在概率空间的这个概率分布g_f(f＝1，2，…，ζ)，必然存在一个在特征值A(G)，

由于概率空间是测度空间，因此针对特征值A(G)必然存在一个概率尺度M[G，A(G)]，满足如下概率尺度自组织的条件时，可以概率尺度为基准，让集合G⁽ⁿ⁾朝着最大概率方向迁移，

A⁽ⁿ⁾＝A(G⁽ⁿ⁾)

M⁽ⁿ⁾＝M[G⁽ⁿ⁾，A(G⁽ⁿ⁾)]

G⁽ⁿ⁾＝G{[A(G^(n-1))，M[G^(n-1)，A(G^(n-1))]]

当n≥β(β是一个大于4的数值)时，可以设定A(G⁽ⁿ⁾)为最大概率特征值，M[G⁽ⁿ⁾，A(G⁽ⁿ⁾)]是以最大概率特征值为中心的最大概率尺度。