[发明专利]一种基于自律学习SDL模型的聚类方法

权利要求书

1.一种基于自律学习SDL模型的聚类方法，至少具备如下一个特征：

(1)被聚类的特征向量之间依照概率空间距离的尺度；

(2)每一类的聚类结果依照概率空间的最大概率尺度；

(3)在函数映射与函数高斯分布的效果上取得聚类的最佳解。

2.根据权利要求1所述的一种基于自律学习SDL模型的聚类方法，其特征在于：所述SDL模型的聚类算法是函数映射模型与高斯分布模型的融合的；通过概率尺度自组织，概率空间距离对特征向量进行最佳聚类的；直接给出特征值的各个概率空间的结果的聚类的；在函数映射特性与高斯分布特性之间获得最佳解的聚类算法。

3.根据权利要求1所述的一种基于自律学习SDL模型的聚类方法，其特征在于：所述SDL模型的聚类算法是指：映射函数是包括线性函数，也可以是非线性的函数，还可以是随机函数，多种混合的映射函数中至少一种；或者是SDL模型的聚类算法。

4.根据权利要求1所述的一种基于自律学习SDL模型的聚类方法，其特征在于：所述SDL模型的聚类算法是指：映射函数不只是经典的线性函数，经典的非线性的函数，经典的随机函数，特别是按照深度学习的SDG求解出的解的特点，考虑了深度学习对模式识别的精度的提高的作用，结合人为介入的手法，综合的构造出来的映射函数；映射函数中有包括数理运算形式的成分，有隶属函数的成分，有规则构建成分在内，还有SDL模型的聚类成分的至少一种，或多种成分的混合。

5.根据权利要求1所述的一种基于自律学习SDL模型的聚类方法，其特征在于：所述SDL模型的聚类算法是指：映射函数的最大几率的概率空间，是通过概率尺度自组织算法得到的。

6.一种基于自律学习SDL模型的聚类方法，其特征在于是通过如下步骤实现的：

(1)针对所有数据按照特征向量之间的欧几里德距离进行概率尺度自组织迭代，得到两个最大概率高斯分布的最大的概率值和最大概率尺度；

(2)以上述得到的两个最大概率值为中心，与所有没有被聚类的数据，用概率空间距离为尺度，在这两个概率空间中进行对抗，分别把两个最大概率尺度以内的数据作为最终的两个聚类结果；

(3)重复上述(1)～(2)处理直到全部数据被聚类完成。

7.根据权利要求6所述的一种基于自律学习SDL模型的聚类方法，其特征在于：所述SDL模型的聚类算法是函数映射模型与高斯分布模型的融合的；通过概率尺度自组织，概率空间距离对特征向量进行最佳聚类的；直接给出特征值的各个概率空间的结果的聚类的；在函数映射特性与高斯分布特性之间获得最佳解的聚类算法。

8.根据权利要求6所述的一种基于自律学习SDL模型的聚类方法，其特征在于：所述SDL模型的聚类算法是指：映射函数是包括线性函数，也可以是非线性的函数，还可以是随机函数中至少一种或多种混合的映射函数。

9.根据权利要求6所述的一种基于自律学习SDL模型的聚类方法，其特征在于：所述SDL模型的聚类算法是指：映射函数不只是经典的线性函数，经典的非线性的函数，经典的随机函数，特别是按照深度学习的SDG求解出的解的特点，考虑了深度学习对模式识别的精度的提高的作用，结合人为介入的手法，综合的构造出来的映射函数；映射函数中有包括数理运算形式的成分，有隶属函数的成分，有规则构建成分在内的至少一种或多种混合成分。

10.根据权利要求6所述的一种基于自律学习SDL模型的聚类方法，其特征在于：所述SDL模型的聚类算法是指：最大几率的概率空间是通过自律机器学习SDL聚类得到的。