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！

龙图腾网获悉南昌大学申请的专利一种基于神经动力学的图像非负矩阵分解聚类方法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：CN115471689B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202211130538.5，技术领域涉及：G06V10/762；该发明授权一种基于神经动力学的图像非负矩阵分解聚类方法是由李春泉;郑波钰;王子航;王咏鹤;王子韬;张良强;李志焌;陈利民设计研发完成，并于2022-09-15向国家知识产权局提交的专利申请。

本一种基于神经动力学的图像非负矩阵分解聚类方法在说明书摘要公布了：一种基于神经动力学的图像非负矩阵分解聚类方法，包括：1构建原始数据矩阵；2构建稀疏图正则非负低秩矩阵分解模型；3对原始数据矩阵进稀疏图正则非负低秩矩阵分解；4基于K‑means算法进行聚类。本发明优点：1、稀疏图正则非负低秩矩阵分解通过添加图正则化项，维护了高维数据在低维空间表示的几何构型，通过施加低秩约束和稀疏约束，保证了分解所得基矩阵的稀疏性质；提取到了更多的有效信息，减少了信息冗余，降低了计算难度；2、将神经动力学优化方法VF‑CNO引入到稀疏图正则非负矩阵低秩矩阵分解模型的求解问题中，提高了模型的求解精度。本发明拥有更好的降维效果，并在图像聚类任务中表现出更好的聚类性能。

本发明授权一种基于神经动力学的图像非负矩阵分解聚类方法在权利要求书中公布了：1.一种基于神经动力学的图像非负矩阵分解聚类方法，其特征是按以下步骤： 步骤1：构建数据原始矩阵：将图像数据集中的图像向量化，基于此构建一个非负原始数据矩阵V＝[v1,v2,…,vn]∈Rm×n，其中m为图像样本的维数，n为图像样本的个数； 步骤2：构建稀疏图正则非负低秩矩阵分解模型如下： 其中，W∈Rm×r是基矩阵，H∈Rr×n是系数矩阵，L∈Rm×n是低秩矩阵，S∈Rm×n是稀疏矩阵，l表示矩阵L秩的范围集，s表示矩阵S的稀疏范围集，rankL表示矩阵L的秩，cardS表示矩阵S的非零元素个数，α是图正则化参数，Lap是图拉普拉斯矩阵，β是吉洪诺夫正则化参数；稀疏图正则非负低秩矩阵分解在矩阵分解过程中额外施加了低秩约束、吉洪诺夫正则化约束、稀疏约束和图正则化约束，用以挖掘数据背后稀疏且有效的特征信息； 步骤3：对原始数据矩阵进行稀疏图正则非负低秩矩阵分解； 步骤3.1：低秩矩阵恢复：利用双边随机投影算法提取原始数据矩阵V中潜在的低秩结构L∈Rm×n，描述为： 步骤3.2：对步骤3.1获得的低秩矩阵L使用变尺度因子的协作式神经动力学优化方法VF-CNO进行非负矩阵分解，获得基矩阵W∈Rm×r和系数矩阵H∈Rr×n；其中基矩阵W包含了原始数据矩阵中的局部化特征，系数矩阵H代表原始数据的低维表示，同时为了增强模型的分解性能，在矩阵分解过程中额外施加了吉洪诺夫正则化约束、稀疏约束和图正则化约束，并将稀疏约束纳入目标函数，新形成的目标函数如下： 其中，Γ＝γ1,γ2,…,γn是等式约束的拉格朗日乘子；ω,h为对W，H矩阵执行向量化操作如下： ω＝vecW＝w11w21…wm1；w12w22…wm2；…；w1rw2r…wmrT h＝vecH＝h11h21…hr1；h12h22…hr2；…；h1nh2n…hrnT 引入变尺度因子类型的递归神经网络模型VF-RNN，用于约束全局优化问题的KKT点搜索，所述的VF-RNN模型表述为下面微分方程： 其中PΩ·为投影算子，根据上述矢量方程，其标量形式可描述为： 其中，收敛因子∈＝∈1,∈2,…,∈nT；Ψ∈,t是一个由变尺度因子函数ψ∈j,tj∈{1,2,…,n}组成的向量；所述的变尺度因子函数ψ∈,t来说，它是收敛因子∈和时间t相关的函数，取以下两种形式之一： 指数形式： ψ∈,t＝∈et 或幂指数形式： ψ∈,t＝t∈+∈ 步骤4：基于K-means算法进行聚类：将步骤3中所获得的系数矩阵H输入至K-means分类器，实现对无标签图像数据的聚类任务。

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南昌大学，其通讯地址为：330031 江西省南昌市红谷滩区学府大道999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”。