我们提出了一种新的矩阵学习方案，将高效的基于原型的分类算法相关学习矢量量化（RLVQ）扩展为通用自适应度量。通过在距离度量中引入完整的相关因子矩阵，可以考虑不同特征之间的相关性及其对分类方案的重要性，并实现自动化，在训练过程中进行通用度量调整。与RLVQ及其变体中使用的加权欧氏度量相比，完整矩阵更能恰当地表示数据的内部结构。在这种情况下，可以将大范围的泛化边界转移到这种情况，从而得到与输入维度无关的边界。这也适用于附加到每个原型的局部度量，它对应于分段二次决策边界。使用人工数据集、UCI知识库中的基准多类问题和生物信息学中的问题，对该算法进行了测试，并与其他学习矢量量化方案进行了比较秀丽线虫.
