[发明专利]一种离散值特征向量的快速监督学习方法与分类系统

权利要求书

1.一种离散值特征向量的快速监督学习方法，其特征在于包括以下步骤：

第一步，为训练向量集合构建一个超立方体的数据结构；

第二步，用模式分类方法为超立方体的每个单元值赋值；

第三步，测试向量通过查找超立方体的对应单元值分类；

其中，所述训练向量集合的每个训练向量，为m维向量，其中每一维取值范围长度为R_i，i= 1,2，…，m，所述超立方体的尺寸为R₁*R₂*…*R_m，超立方体的每一个索引值为向量对应的每一维的特征值，超立方体的每个单元值为对应向量的类别值。

2.如权利要求1所述的离散值特征向量的快速监督学习方法，其特征在于，

第二步中的模式分类方法包括以下步骤：

第1步，为训练向量集合的每个训练向量对应的超立方体中的每个单元赋值；

第2步，如果超立方体中没有赋值的单元数量为0，则结束，否则执行第3步；

第3步，寻找下一个没有赋值的单元，计算其超立方体邻域中的已有赋值单元的每个类别的单元数量；

第4步，对这个没有赋值的单元，如果该邻域中已有赋值单元的数量不为0，则执行第5步，如果该邻域中已有赋值单元的数量为0，则执行第3步；

第5步，该没有赋值的单元的单元值为邻域中已有赋值单元中最多单元数量的类别值，并执行第2步。

3.一种离散值特征向量的快速监督学习分类系统，其特征在于包括：

超立方体构建模块，用于为训练向量集合构建一个超立方体的数据结构；

超立方体赋值模块，用于利用模式分类方法为超立方体的每个单元值赋值；

测试向量分类模块，用于将测试向量通过查找超立方体的对应单元值分类；

其中，所述训练向量集合的每个训练向量，为m维向量，其中每一维取值范围长度为R_i，i= 1,2，…，m，所述超立方体的尺寸为R₁*R₂*…*R_m，超立方体的每一个索引值为向量对应的每一维的特征值，超立方体的每个单元值为对应向量的类别值。

4.如权利要求3所述的离散值特征向量的快速监督学习分类系统，其特征在于，所述超立方体赋值模块包括：

训练向量赋值模块，用于为训练向量集合的每个训练向量对应的超立方体中的每个单元赋值；

赋值单元数量判断模块，用于判断超立方体中没有赋值的单元数量，如果超立方体中没有赋值的单元数量为0，则跳转到结束模块，否则跳转到查找计算模块；

查找计算模块，用于寻找下一个没有赋值的单元，并计算其超立方体邻域中的已有赋值单元的每个类别的单元数量；

邻域判断模块，用于对这个没有赋值的单元进行该邻域中已有赋值单元的数量的判断，如果该邻域中已有赋值单元的数量不为0，则跳转到单元赋值模块，如果该邻域中已有赋值单元的数量为0，则跳转到查找计算模块；

单元赋值模块，用于对没有赋值的单元进行赋值，该没有赋值的单元的单元值为邻域中已有赋值单元中最多单元数量的类别值，并跳转到赋值单元数量判断模块；

结束模块，用于结束整个分类系统的运行。