买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西门子(中国)有限公司申请的专利高斯混合模型的隐变量确定方法及装置、设备、介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114817844B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210460579.4，技术领域涉及：G06F18/214；该发明授权高斯混合模型的隐变量确定方法及装置、设备、介质是由王达一;郑毅贤;吴文超;张琪萱设计研发完成，并于2022-04-28向国家知识产权局提交的专利申请。

本高斯混合模型的隐变量确定方法及装置、设备、介质在说明书摘要公布了：本发明实施例提供了一种高斯混合模型的隐变量确定方法及装置、设备、介质。该方法包括：S1、基于高斯混合模型的训练样本集，设置隐变量的初始值；S2、根据训练样本集中各个工况对应的样本数量，确定训练样本集对应的样本权重矩阵；S3、根据样本权重矩阵和隐变量的当前值，确定本次迭代过程对应的响应度矩阵；S4、根据本次迭代过程对应的响应度矩阵，对隐变量的当前值进行更新；S5、判断更新后的隐变量的当前值是否满足收敛条件；若是，则结束本方法，并将更新后的所述隐变量的当前值作为最优解；否则，返回到S3中，以执行下一次迭代过程。本发明能够更好地解决工业场景中的样本不平衡的问题。

本发明授权高斯混合模型的隐变量确定方法及装置、设备、介质在权利要求书中公布了：1.一种高斯混合模型的隐变量确定方法，其特征在于，包括： S1、基于所述高斯混合模型的训练样本集，设置所述隐变量的初始值； S2、根据所述训练样本集中各个工况对应的样本数量，确定所述训练样本集对应的样本权重矩阵；其中，所述样本权重矩阵中包括所述训练样本集中每一训练样本的样本权重；在所述训练样本集对应的各个工况中，一个工况对应的样本数量越少，该工况对应的各个训练样本的样本权重越大； S3、根据所述样本权重矩阵和所述隐变量的当前值，确定本次迭代过程对应的响应度矩阵；其中，所述响应度矩阵中包括每一个工况下的每一个训练样本分别针对所述高斯混合模型的各个高斯核的响应度，一个训练样本针对一个高斯核的响应度为该训练样本属于该高斯核的期望概率； S4、根据本次迭代过程对应的响应度矩阵，对所述隐变量的当前值进行更新； S5、判断更新后的所述隐变量的当前值是否满足收敛条件； 若是，则结束本方法，并将更新后的所述隐变量的当前值作为最优解； 否则，返回到S3中，以执行下一次迭代过程， 其中，所述隐变量包括每一个高斯核的核权重和每一个高斯核的核参数，所述核参数包括平均值矩阵和协方差矩阵， 其中，所述根据所述样本权重矩阵和所述隐变量的当前值，确定本次迭代过程对应的响应度矩阵，包括： 采用第二计算式计算本次迭代过程对应的所述响应度矩阵中第n个训练样本针对第k个高斯核的响应度，所述第二计算式包括： 式中，rznk为本次迭代过程对应的所述响应度矩阵中第n个训练样本针对第k个高斯核的响应度，Wn为第n个训练样本的样本权重，πk为第k个高斯核的核权重的当前值，xn为第n个训练样本，μk为第k个高斯核在当前的平均值矩阵，∑k为第k个高斯核在当前的协方差矩阵，K为高斯核的数量，N为高斯函数， 其中，所述根据本次迭代过程对应的响应度矩阵，对所述隐变量的当前值进行更新，包括如下至少一项： 针对每一个高斯核，根据各个训练样本的样本权重和本次迭代过程对应的所述响应度矩阵中各个训练样本针对该高斯核的响应度，计算该高斯核在更新后的核权重； 针对每一个高斯核，根据本次迭代过程对应的所述响应度矩阵中各个训练样本分别针对该高斯核的响应度和所述样本训练集中的各个训练样本，计算该高斯核在更新后的平均值矩阵； 针对每一个高斯核，根据所述样本训练集中的各个训练样本、该高斯核在更新后的平均值矩阵以及本次迭代过程对应的所述响应度矩阵中各个训练样本针对该高斯核的响应度，计算该高斯核在更新后的协方差矩阵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西门子(中国)有限公司，其通讯地址为：100102 北京市朝阳区望京中环南路7号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。