買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉西北大學(xué)申請(qǐng)的專(zhuān)利一種基于自適應(yīng)二部圖的快速魯棒無(wú)監(jiān)督降維算法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115329837B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-08發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202210796500.5，技術(shù)領(lǐng)域涉及：G06F18/214；該發(fā)明授權(quán)一種基于自適應(yīng)二部圖的快速魯棒無(wú)監(jiān)督降維算法是由牛凡;郭軍;石梅;許鵬飛;孫敏娟;張益姣;張奧;姚麗娜;劉曉霞設(shè)計(jì)研發(fā)完成，并于2022-07-06向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種基于自適應(yīng)二部圖的快速魯棒無(wú)監(jiān)督降維算法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于自適應(yīng)二部圖的快速魯棒無(wú)監(jiān)督降維算法FRUDR?ABG，使用錨點(diǎn)策略來(lái)構(gòu)造描述統(tǒng)計(jì)或幾何信息的二部圖，并能快速自適應(yīng)地更新圖和學(xué)習(xí)低維表示；另外使用新的距離準(zhǔn)則來(lái)處理異常值帶來(lái)的負(fù)面影響。為了更完整的保留結(jié)構(gòu)信息，算法中加入了實(shí)用的策略以達(dá)到同時(shí)保留原始數(shù)據(jù)的局部流形和全局結(jié)構(gòu)的目的。在這個(gè)算法中，結(jié)構(gòu)學(xué)習(xí)和降維同時(shí)進(jìn)行，實(shí)現(xiàn)了全局和局部結(jié)構(gòu)學(xué)習(xí)的結(jié)合。提出迭代重加權(quán)優(yōu)化方法進(jìn)行求解之后，還設(shè)計(jì)了一系列在基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)，去驗(yàn)證該算法效率和識(shí)別性能。這些優(yōu)點(diǎn)使得FRUDR?ABG更適合大規(guī)模數(shù)據(jù)集降維。

本發(fā)明授權(quán)一種基于自適應(yīng)二部圖的快速魯棒無(wú)監(jiān)督降維算法在權(quán)利要求書(shū)中公布了：1.一種基于自適應(yīng)二部圖的快速魯棒無(wú)監(jiān)督降維方法，其特征在于，包括： 步驟1：數(shù)據(jù)集預(yù)處理： 數(shù)據(jù)集包括用于降維的樣本數(shù)據(jù)和用于測(cè)試的標(biāo)簽信息，所述數(shù)據(jù)集為圖像數(shù)據(jù)集，在預(yù)處理之前，根據(jù)數(shù)據(jù)集的不同進(jìn)行mapminmax或NormalizeFea歸一化處理；其中，mapminmax歸一化處理是將矩陣的每一行處理成[-1,1]區(qū)間；NormalizeFea歸一化處理則是根據(jù)行數(shù)對(duì)行或列進(jìn)行歸一化；另外對(duì)于特征數(shù)過(guò)大的數(shù)據(jù)集通過(guò)保留92％的信息進(jìn)行PCA預(yù)處理以簡(jiǎn)化計(jì)算； 所述mapminmax的數(shù)學(xué)定義為： Y＝Y(jié)MAX-YMIN*X-XMINXMAX-XMIN+YMIN； 其中，X是預(yù)處理的數(shù)據(jù)點(diǎn)矩陣，它被定義為一個(gè)d*n的矩陣，即X＝[x1,x2,…,xn]∈Rd ×n，其中d是樣本數(shù)據(jù)的特征數(shù)，n是樣本數(shù)據(jù)的數(shù)目；YMIN和YMAX是期望的每一行的最小值與最大值，XMIN和XMAX是訓(xùn)練數(shù)據(jù)的最大值和最小值； 如果某行的數(shù)據(jù)全部相同，此時(shí)XMAX＝XMIN，除數(shù)為0，則此時(shí)數(shù)據(jù)不變； 所述NormalizeFea的定義為：如果row＝1，對(duì)數(shù)據(jù)的每一行進(jìn)行歸一化，使其具有單位范數(shù)；如果row＝0，對(duì)數(shù)據(jù)的每一列進(jìn)行歸一化，使其具有單位范數(shù)； 步驟2：建立自適應(yīng)降維與相似圖構(gòu)造模型并定義用于計(jì)算高維空間到低維空間的投影矩陣的目標(biāo)函數(shù)： 其中，樣本矩陣X＝[x1,x2,…,xn]∈Rd×n,其中d是樣本數(shù)據(jù)特征數(shù)量，n是樣本數(shù)據(jù)點(diǎn)的數(shù)量，每列表示一個(gè)樣本；mk是低維子空間的錨點(diǎn)矩陣M的第k個(gè)向量，M＝[m1,m2,…,mp]∈Rd'×p，pn； 對(duì)于第i個(gè)數(shù)據(jù)點(diǎn)xi,sik被定義為xi和第k個(gè)錨點(diǎn)之間的相似度；S＝{sik}∈Rn×p是由sik組成的相似圖中的權(quán)矩陣，簡(jiǎn)稱(chēng)為相似度矩陣；W∈Rd×d'代表投影矩陣，d′表示投影子空間的維度，d′＜d； ||WTxi-mk||2是通過(guò)基于l2,1范數(shù)距離計(jì)算準(zhǔn)則來(lái)計(jì)算的；γ是懲罰項(xiàng)的平衡參數(shù)；分母中的St＝XXT，TrWTStW是的跡比形式；約束表示xi的相似數(shù)據(jù)點(diǎn)的群集中的相似度權(quán)值之和為1；并假設(shè)局部距離越近的樣本對(duì)之間的相似度越高，即對(duì)應(yīng)的sik越大； 步驟3：計(jì)算所述投影矩陣的目標(biāo)函數(shù)，得到降維模型中映射矩陣的全局最優(yōu)解； 步驟4：從步驟3中得到的關(guān)于映射矩陣的全局最優(yōu)解，再將其通過(guò)下列公式將樣本數(shù)據(jù)投影到低維子空間中： X_projected＝XT×W 式中，XT是矩陣X的轉(zhuǎn)置；X_projected＝[x1,x2,…,xn]∈Rd'×n是樣本數(shù)據(jù)X在投影子空間的低維表示；W∈Rd×d'代表投影矩陣，d′＜d； 最后，對(duì)比原始數(shù)據(jù)集中的標(biāo)簽信息，對(duì)降維后的數(shù)據(jù)集進(jìn)行20次的隨機(jī)初始化訓(xùn)練，然后采用歐式距離度量的K-means方法對(duì)投影結(jié)果進(jìn)行聚類(lèi)；并使用聚類(lèi)準(zhǔn)確度和歸一化互信息這兩個(gè)指標(biāo)對(duì)模型進(jìn)行評(píng)估。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人西北大學(xué)，其通訊地址為：710069 陜西省西安市太白北路229號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。