1.一种基于联合聚类深度学习神经网络的数据识别方法，其特征在于，包括以下步骤：

步骤1、先获取N类数据样本集及每一类数据样本集对应的标签集，再获取所述N类数据样本集中每一类数据样本的数据预设格式，并获取标签预设格式，然后对N类数据样本集和标签集进行预处理；所述N大于等于1；

步骤2、初始化N类数据样本集对应的N个深度学习神经网络；

步骤3、将步骤1获取的每一类数据样本集作为输入，将其对应的标签集作为输出，对该类对应的深度学习神经网络进行训练，得到N个训练后的深度学习神经网络；

步骤4、为每一类对应的深度学习神经网络获取一个测试数据，将每一类测试数据的数据格式转化为该类数据样本的数据预设格式，然后将该测试数据作为该类对应的深度学习神经网络的输入，通过该深度学习神经网络的计算得到该类对应的测试输出标签；

步骤5、在步骤1预处理的标签集中查找每一类的测试输出标签所在的标签集，之后判断该标签集是否只有一个标签元素；如果每一类的测试输出标签所在的标签集只有一个标签元素，则将每一类的测试输出标签作为该类的最优输出标签；否则执行下一步；

步骤6、计算每一类的测试输出标签所对应的数据样本集与该类测试输出标签所在的标签集中每一标签元素对应的数据样本集的相似度，并根据该相似度计算并确定每一组可能输出标签；其中，每一组可能输出标签中包含了每一类的一个可能输出标签；

步骤7、计算每一组可能输出标签中每一类的可能输出标签对应的数据样本集与该一类的测试数据集的相似度，并根据该相似度计算并确定一组可能输出标签作为最优输出标签；

步骤8、计算可能输出标签中各类输出标签都一致的概率及不一致的概率，作为各类输出标签一致的概率及不一致的概率；

步骤9、将可能输出标签、最优输出标签、各类输出标签一致的概率及不一致的概率输出。

2.根据权利要求1所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，步骤1中获取所述N类中每一类数据样本的数据预设格式，并获取标签预设格式，具体为：获取每一类数据样本集中每一个数据样本的数据格式，将该类中相同的数据格式进行合并得到s种数据格式，统计该类数据样本集中每一种数据格式Pi对应的数据样本数量Mi，将最大的Mi对应的数据格式Pi作为该类数据样本的数据预设格式；其中，s大于或等于1,i大于或等于1且小于或等于s；

获取每一类数据样本集对应的标签集中每一个标签的标签格式，将所有类中相同的标签格式进行合并得到至少t种标签格式，统计该类标签集中每一种标签格式Qj对应的标签数量Nj，将最大的Nj对应的标签格式Qj作为标签预设格式；其中，t大于或等于1,j大于或等于1且小于或等于t。

3.根据权利要求1所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，步骤1对N类数据样本集和标签集进行预处理，具体为：步骤1-1、判断每一类数据样本集中每一数据样本的数据格式是否与该类数据样本的数据预设格式一致，如果不一致，则将该类该数据样本的数据格式转化为该类数据样本的数据预设格式；

步骤1-2、判断每一类数据样本集中每一个数据样本对应的标签的数据格式是否与标签预设格式一致，如果不一致，则将该类该数据样本对应的标签的数据格式转化为标签预设格式；

步骤1-3、对N类数据样本集中的每类数据样本集进行聚类处理，获得J个聚类后的数据样本集及其对应的输出标签集；

步骤1-4、对J个聚类后的输出标签集中每个类中相同的标签进行合并，得到更新后的J个输出标签集；

步骤1-5、将更新后的J个输出标签集中具有相同标签的标签集及对应的数据样本集分别进行合并，得到预处理后的数据样本集及其对应的输出标签集。

4.根据权利要求1所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，步骤2中初始化N类数据样本集对应的N个深度学习神经网络，具体为：步骤2-1、将每一类数据样本的数据预设格式作为该类对应的深度学习神经网络的输入格式；

步骤2-2、将标签预设格式作为每一类对应的深度学习神经网络的输出格式；

步骤2-3、获取每一类对应的深度学习神经网络的配置信息，将其作为该类对应的深度学习神经网络的配置信息，然后对该类对应的深度学习神经网络进行配置。

5.根据权利要求4所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，步骤2-3中获取每一类对应的深度学习神经网络的预设配置信息，将其作为该类对应的深度学习神经网络的配置信息，具体为：步骤2-3-1、从深度学习神经网络配置知识库中获取输入格式、输出格式与每一类数据预设格式及标签预设格式最为匹配的深度学习神经网络对应的配置信息，将其作为该类对应的深度学习神经网络的预设配置信息；

其中，输入格式、输出格式与每类数据预设格式及标签预设格式的匹配度＝输入格式与该类数据预设格式的匹配度×u％+输出格式与标签预设格式的匹配度×(1-u％)，u的缺省值为90；

步骤2-3-2、将每一类对应的深度学习神经网络的预设配置信息输出给用户；

步骤2-3-3、获取用户对每一类对应的深度学习神经网络的预设配置信息的修改；

步骤2-3-4、将修改后的每一类对应的深度学习神经网络的预设配置信息，作为该类对应的深度学习神经网络的预设配置信息。

6.根据权利要求1所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，步骤3中将步骤1获取的每一类数据样本集作为输入，将其对应的标签集作为输出，对该类对应的深度学习神经网络进行训练，由此得到N个训练后的深度学习神经网络，具体为：步骤3-1、将每一类数据样本集中每一个数据样本作为该类对应的深度学习神经网络的输入，对该类对应的深度学习神经网络进行自下而上的无监督训练；

步骤3-2、将每一类数据样本集中每一个数据样本作为该类对应的深度学习神经网络的输入，将该类数据样本集对应的标签集中该个数据样本对应的标签作为输出，对该类对应的深度学习神经网络进行自顶向下的监督学习，得到N个训练后的深度学习神经网络。

7.根据权利要求1所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，步骤6中计算每一类的测试输出标签所对应的数据样本集与该类测试输出标签所在的标签集中每一标签元素对应的数据样本集的相似度，并根据该相似度计算并确定每一组可能输出标签，具体为：如果N＝1，则计算测试输出标签所对应的数据样本集与测试输出标签所在的标签集中每一标签元素对应的数据样本集的相似度，将相似度大于第一预设值a的所有标签元素作为一组可能输出标签；

如果N>1，则获取第i类的测试输出标签所对应的数据样本集Di；获取第i类测试输出标签所在的标签集中标签元素的个数mi；获取第i类测试输出标签所在的标签集中第j个标签元素对应的数据样本集Dij；计算Di与Dij的相似度Pij；其中，i取从1到N中的每一个自然数，j取从1到mi中的每一个自然数；

对k1，k2,…,kN的每一个取值，计算相似度第一综合值f(P1k1,P2k2,…,PNkN)，如果f(P1k1,P2k2,…,PNkN)大于第二预设值b，则将第1类测试输出标签所在的标签集中第k1个标签元素,第2类测试输出标签所在的标签集中第k2个标签元素,…,第N类测试输出标签所在的标签集中第kN个标签元素,作为一组可能输出标签；其中，k1取从1到m1中的每一个自然数，k2取从1到m2中的每一个自然数，…,kN取从1到mN中的每一个自然数；f(P1k1,P2k2,…,PNkN)是求(P1k1,P2k2,…,PNkN)的乘积。

8.根据权利要求7所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，数据样本集A与数据样本集B的相似度＝max(数据样本集A中每一个样本与数据样本集B中每一个样本的相似度)。

9.根据权利要求1所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，步骤7中计算每一组可能输出标签中每一类的可能输出标签对应的数据样本集与该一类的测试数据集的相似度，并根据该相似度计算并确定一组可能输出标签作为最优输出标签，具体为：如果N＝1，则计算每一组可能输出标签中可能输出标签对应的数据样本集与该一类的测试数据集的相似度，获取最大相似度对应的一组可能输出标签作为一组最优输出标签；

如果N>1，则计算每一组可能输出标签中第i类的可能输出标签对应的数据样本集与该一类的测试数据集的相似度Pi，之后计算相似度第二综合值g(P1,P2,…,PN)，获取最大相似度第二综合值对应的一组可能输出标签作为一组最优输出标签；其中g(P1,P2,…,PN)是求(P1,P2,…,PN)的乘积；其中，i取从1到N中的每一个自然数。

10.根据权利要求1所述的基于联合聚类深度学习神经网络的数据识别方法，其特征在于，步骤8中计算可能输出标签中各类输出标签都一致的概率及不一致的概率，作为各类输出标签一致的概率及不一致的概率，具体为：如果N＝1，则只有一类输出标签，因此各类输出标签一致的概率为100％，不一致的概率为0％；

如果N>1，则先判断每一组可能输出标签中各类可能输出标签是否一致；然后将判断结果为一致的各组可能输出标签对应的相似度第二综合值之和与所有可能输出标签对应的相似度第二综合值之和相除，得到各类输出标签一致的概率；最后通过100％减去各类输出标签一致的概率得到各类输出标签不一致的概率。