基于迭代次数的多中心定位分类法

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

让A为分类原点，B为分类对象，在收敛误差一定的情况下，统计迭代次数。并将迭代次数作为B到A的距离。这个距离都是特征的，利用这个特征距离足以实现分类。就像距0的距离为d的数字，在x轴正向上只能是d。

但是并不排除在形态数轴上可能有单点多值的现象存在，或者可能存在形态c在A为原点的形态数轴上与B的很近，这时可以引入第二条形态数轴实现多点定位的方法来区别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差值很小的情况下，可以通过da1b和da1c来实现一种类似三角定位的方法来分类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为分类原点的形态数轴上的9个形态的距离差异巨大，很容易分类。当然这个分类只是分类9个训练集，如果是分类单张图片需要用0的一张图片作为分类原点并且用这张图片与所有其余训练集中的每张图片组成二分类网络并统计迭代次数。如果设每个训练集中有5000张图片则要完成共（5000*10-1）个二分类网络，如果考虑多点定位则还要翻倍。

 看起来这种分类的方法比利用分类准确率的方法要笨拙的多，但迭代次数分类法不必制备训练集，或者说迭代次数法制备形态数轴的过程和分类准确率法制备训练集的过程本质上是一个过程。都是在划定使用范围，只不过在分类准确率法制备训练集这个过程是由人来完成的。而如果将形态数轴作为已知用迭代次数法分类一样很简便。

这二者还有一个巨大的不同，对于分类准确率法需要完成一个多分类网络，而迭代次数法需要完成的是多个二分类网络。这有本质的不同，在个人电脑上完成一个1000分类的网络是困难的，但完成999个二分类网络则完全是可能的，所以形态距离分类法实现的门槛要低的多。