(A,B)---m*n*k---(1,0)(0,1)

讓A為分類原點，B為分類對象，在收斂誤差一定的情況下，統計迭代次數。并將迭代次數作為B到A的距離。這個距離都是特征的，利用這個特征距離足以實現分類。就像距0的距離為d的數字，在x軸正向上只能是d。

但是并不排除在形態數軸上可能有單點多值的現象存在，或者可能存在形態c在A為原點的形態數軸上與B的很近，這時可以引入第二條形態數軸實現多點定位的方法來區別B和C

(A,B)---m*n*k---(1,0)(0,1)? dab

(A,C)---m*n*k---(1,0)(0,1)? dac

(A1,B)---m*n*k---(1,0)(0,1) da1b

(A1,C)---m*n*k---(1,0)(0,1) da1c

在dab和dac差值很小的情況下，可以通過da1b和da1c來實現一種類似三角定位的方法來分類B和C。

A	5	7	2	4	3	9	1	6	8
0	5402.955	7822.01	8358.603	11983.15	12572.23	13346.79	23558.45	25605.5	27905.07

比如以0為分類原點的形態數軸上的9個形態的距離差異巨大，很容易分類。當然這個分類只是分類9個訓練集，如果是分類單張圖片需要用0的一張圖片作為分類原點并且用這張圖片與所有其余訓練集中的每張圖片組成二分類網絡并統計迭代次數。如果設每個訓練集中有5000張圖片則要完成共（5000*10-1）個二分類網絡，如果考慮多點定位則還要翻倍。

?看起來這種分類的方法比利用分類準確率的方法要笨拙的多，但迭代次數分類法不必制備訓練集，或者說迭代次數法制備形態數軸的過程和分類準確率法制備訓練集的過程本質上是一個過程。都是在劃定使用范圍，只不過在分類準確率法制備訓練集這個過程是由人來完成的。而如果將形態數軸作為已知用迭代次數法分類一樣很簡便。

這二者還有一個巨大的不同，對于分類準確率法需要完成一個多分類網絡，而迭代次數法需要完成的是多個二分類網絡。這有本質的不同，在個人電腦上完成一個1000分類的網絡是困難的，但完成999個二分類網絡則完全是可能的，所以形態距離分類法實現的門檻要低的多。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的基于迭代次数的多中心定位分类法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。