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！

龙图腾网获悉南京航空航天大学申请的专利一种轻量化超维计算分类模型的实现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：CN114997312B 。

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：202210629976.X，技术领域涉及：G06F18/214；该发明授权一种轻量化超维计算分类模型的实现方法是由姚翼荣;刘文波;滕子煜;徐方;迟云鹏;单永奇;王倩岚设计研发完成，并于2022-06-06向国家知识产权局提交的专利申请。

本一种轻量化超维计算分类模型的实现方法在说明书摘要公布了：本发明公开了一种轻量化超维计算分类模型的实现方法，首先确定待学习样本的数据量、数据值域和超维向量维度，在硬件存储器中划分地址存储器和连续项目存储器，确定数值采样个数，获取地址超维向量，并通过与非门取反的方法获取数值超维向量；对输入的样本，首先通过乘法运算将每个数据点所在位置的地址超维向量与该数据点的数值所对应的数值超维向量进行绑定，再将所有数据点通过加法运算组成一个集合并进行二值化处理；当该样本为训练样本时，通过加法运算添加至所述类别对应的类别超维向量中，当该样本为测试样本时，与类别超维向量进行逐位比较，获取所属类别；本发明可以有效实现在线、快速、增量、实时学习与高准确率识别。

本发明授权一种轻量化超维计算分类模型的实现方法在权利要求书中公布了：1.一种轻量化超维计算分类模型的实现方法，其特征在于，包括以下步骤： 步骤S1、确定待学习样本的数据量和数据值域；将数据点个数记为N，值域记为[min,max]；确定超维向量的维数D； 步骤S2、在硬件存储器中划分出N×D位空间的地址存储器，并给每一位地址随机分配一个二进制数0或1；将每行尺寸为1×D的超维向量记为Hn，n＝1,2,...,N，即为地址超维向量，代表N个数据点中第n个数据点所在的位置； 步骤S3、确定数值采样点个数M，将值域[min,max]等间隔划分为M级；第m级表示的数值Ym表示如下： 其中m＝1,2,...,M； 步骤S4、在硬件存储器中划分出M×D位空间的连续项目存储器，并给第一行的1×D的超维向量的每一位分配一个二进制数0或1，记为L1；L1对应值域的下界min； 步骤S5、随机选取L1中的D2M-1位，通过非门取反，表示下一数值，每位元素只翻转一次；重复操作，直至M级数值全部表示完毕；此时共重复M-1次，得到数值超维向量Lm，m＝1,2,...,M；Lm表示M级值域中第m级数值Ym；任意两个数值超维向量Li与Lj，i,j∈{1,2,...,M}，之间的不同位数取决于Yi和Yj之差有关；特别地，L1与LM不同的位数为D2，即L1与LM正交； 步骤S6、当输入一个样本后，基于步骤S1-S5获得的地址存储器和连续项目存储器中的超维向量进行编码如下： Vn∈{L1,L2,...,LM},n＝1,2,...,N 其中Hn为地址存储器中的地址超维向量；Vn为第n个数据点的数值在连续项目存储器中对应的数值超维向量；表示二值化处理；R为编码过程最终得到的样本超维向量； 经过上述编码后，通过计数器得到每位上1的个数并与N2进行比较，当该位上1的个数大于N2时，该位运算结果取1，否则取0；获得编码结果R后，当该样本为训练样本时，转至步骤S7；当该样本为测试样本时，转至步骤S8； 步骤S7、获得训练样本的样本超维向量R后，根据标签所属类别记为k，并通过加法运算添加至所述类别对应的类别超维向量Ck中，具体如下： Ck+＝R 其中k＝1,2,...,K，K为类别总数； 步骤S8、获得测试样本的样本超维向量R后，与经过二值化处理后的类别超维向量进行逐位比较；与R具有最多相同元素个数的代表的类别即为该测试样本所属类别。

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京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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”。