血液分析仪五分类仪器中，已知0度，45度，90度角度各自采集了5000个点，用C++写出这些点求五分类结果的算法

首先，我们需要将这些点转换为特征向量。可以将每个角度的5000个点看作一个序列，然后对序列进行特征提取，比如使用小波变换或傅里叶变换将序列转换为频域特征向量。这样，每个角度就对应了一个特征向量。

接下来，我们可以将这三个角度的特征向量拼接起来，得到一个总的特征向量。然后，我们可以使用一些机器学习算法对这个总的特征向量进行分类，比如支持向量机（SVM）、决策树、随机森林等等。

以SVM为例，我们可以先将数据集分成训练集和测试集，然后使用训练集对SVM模型进行训练，最后使用测试集对SVM模型进行测试，得到分类准确率。

具体的C++代码实现可以参考以下示例：

#include <iostream>
#include <vector>
#include <cmath>
#include <fstream>
#include <sstream>
#include <algorithm>
#include <numeric>
#include <opencv2/opencv.hpp>
#include <opencv2/ml.hpp>

using namespace std;
using namespace cv;
using namespace cv::ml;

// 特征提取函数，这里使用小波变换将序列转换为频域特征向量
vector<double> featureExtraction(vector<double> seq) {
    vector<double> featureVec;
    // TODO: 小波变换
    return featureVec;
}

// 读取数据
void loadData(string path, vector<vector<double>>& data, vector<int>& labels) {
    ifstream inFile(path);
    if (!inFile.is_open()) {
        cerr << "Failed to open file: " << path << endl;
        exit(1);
    }
    string line;
    while (getline(inFile, line)) {
        stringstream ss(line);
        double label, val;
        ss >> label;
        labels.push_back(label);
        vector<double> seq;
        while (ss >> val) {
            seq.push_back(val);
        }
        vector<double> featureVec = featureExtraction(seq);
        data.push_back(featureVec);
    }
    inFile.close();
}

int main() {
    // 读取数据
    vector<vector<double>> data;
    vector<int> labels;
    loadData("data.txt", data, labels);

    // 将数据集分成训练集和测试集
    vector<int> indices(data.size());
    iota(indices.begin(), indices.end(), 0);
    random_shuffle(indices.begin(), indices.end());
    int split = static_cast<int>(0.8 * data.size());
    vector<vector<double>> trainData(split);
    vector<int> trainLabels(split);
    vector<vector<double>> testData(data.size() - split);
    vector<int> testLabels(data.size() - split);
    for (int i = 0; i < split; ++i) {
        trainData[i] = data[indices[i]];
        trainLabels[i] = labels[indices[i]];
    }
    for (int i = split; i < data.size(); ++i) {
        testData[i - split] = data[indices[i]];
        testLabels[i - split] = labels[indices[i]];
    }

    // 训练SVM模型
    Ptr<SVM> svm = SVM::create();
    svm->setType(SVM::C_SVC);
    svm->setKernel(SVM::RBF);
    svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));
    svm->train(trainData, ROW_SAMPLE, trainLabels);

    // 测试SVM模型
    Mat testMat(testData.size(), testData[0].size(), CV_32FC1);
    for (int i = 0; i < testData.size(); ++i) {
        for (int j = 0; j < testData[i].size(); ++j) {
            testMat.at<float>(i, j) = testData[i][j];
        }
    }
    Mat predictLabels;
    svm->predict(testMat, predictLabels);

    // 计算分类准确率
    int correct = 0;
    for (int i = 0; i < testLabels.size(); ++i) {
        if (predictLabels.at<float>(i, 0) == testLabels[i]) {
            ++correct;
        }
    }
    double accuracy = static_cast<double>(correct) / testLabels.size();
    cout << "Classification accuracy: " << accuracy << endl;

    return 0;
}