无监督的聚类算法可以有效降低高维未标记数据的维度，从而减少数据处理的时间和空间复杂性。然而，传统的聚类算法需要预先设置类别数量的上限，深入学习聚类算法将属于本地最佳问题。为了解决这些问题，提出了一种基于自律学习（SDL）模型的概率空间聚类算法。该算法基于向量之间的高斯概率分布，并使用概率刻度和概率空间距离的最大概率值作为距离测量判断，然后根据分布特性确定每个样本的类别数据集本身。该算法在实验室进行了智能和安全汽车（LISA）交通灯数据集的实验室，精度率为99.03％，召回率为91％，实现效果。
translated by 谷歌翻译