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！

龙图腾网获悉西安电子科技大学申请的专利多层特征级联的动态时序网络聚类方法及系统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：CN117743883B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202311754981.4，技术领域涉及：G06F18/23213；该发明授权多层特征级联的动态时序网络聚类方法及系统是由马小科;李金锋;豆增发;王艳设计研发完成，并于2023-12-19向国家知识产权局提交的专利申请。

本多层特征级联的动态时序网络聚类方法及系统在说明书摘要公布了：本发明公开了多层特征级联的动态时序网络聚类方法及系统。其中，方法包括：从社交数据中获取动态时序网络，并通过预设规则将动态时序网络表示为邻接矩阵；将邻接矩阵输入预训练变分自编码器，得到与预训练变分自编码器的层级数量匹配的多个特征输出；根据多个特征输出以及K‑means算法进行聚类分析并输出社交统计聚类结果；其中，预训练变分自编码器通过改进的损失函数训练得到；改进的损失函数为含有时间特征以及融合特征的函数。在本发明中，通过在改进的损失函数中加入时间特征和融合特征，能够将历史时刻带来的影响，加入到数据分析中，同时还利用多层特征之间的信息互补，使得数据特征的表现更加平滑，提升了数据聚类分析的精确度。

本发明授权多层特征级联的动态时序网络聚类方法及系统在权利要求书中公布了：1.一种多层特征级联的动态时序网络聚类方法，其特征在于，包括： 从社交数据中获取动态时序网络，并通过预设规则将所述动态时序网络表示为邻接矩阵；所述社交数据是人和人之间的交互信息数据； 将所述邻接矩阵输入预训练变分自编码器，得到与所述预训练变分自编码器的层级数量匹配的多个特征输出； 根据多个所述特征输出以及K‑means算法进行聚类分析并输出社交统计聚类结果； 其中，所述预训练变分自编码器通过改进的损失函数训练得到；所述改进的损失函数为含有时间特征以及融合特征的函数； 所述改进的损失函数包括：重构误差、聚类漂移以及编码器概率分布三部分； 将所述重构误差、所述聚类漂移以及所述编码器概率分布相加，得到所述改进的损失函数； 其中，所述重构误差用于计算训练高阶信息矩阵与重构训练高阶信息矩阵之间的重构误差；所述聚类漂移用于计算相邻时刻所述训练高阶信息矩阵的特征差异；所述编码器概率分布用于衡量所述预训练变分自编码器与预定义概率分布之间的差异； 所述改进的损失函数的计算公式表示为： 其中，Lall'表示所述改进的损失函数，表示所述预训练变分自编码器的输出概率分布与预定义概率分布pz之间的差异； 为输入数据Mt输出的潜在变量z的输出概率分布；φ表示所述预训练变分自编码器的网络参数；DKL表示KL散度；表示Mt在t时刻经过所述预训练变分自编码器的第i层后的输出特征，表示Mt在t‑1时刻经过所述预训练变分自编码器的第j层后的输出特征，i和j均表示所述预训练变分自编码器的层数，l为所述预训练变分自编码器的总层数，α表示第二权重系数；Mt表示t时刻训练高阶信息矩阵，是由t时刻训练邻接矩阵Wt经过PMI矩阵转化后得到；表示t时刻重构训练高阶信息矩阵，T表示转置处理，mse表示均方误差。

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安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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”。

以上内容由龙图腾AI智能生成。