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！

龙图腾网获悉湖南工商大学申请的专利多视图聚类方法、装置、电子设备及存储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：CN121524674B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202610060778.4，技术领域涉及：G06F18/23213；该发明授权多视图聚类方法、装置、电子设备及存储介质是由罗鹏;张子豪;周津好;胥伟岚设计研发完成，并于2026-01-16向国家知识产权局提交的专利申请。

本多视图聚类方法、装置、电子设备及存储介质在说明书摘要公布了：本发明属于计算机数据聚类技术领域，公开了一种多视图聚类方法、装置、电子设备及存储介质，其中方法包括：获取待聚类的多视图数据，多视图数据为图像、视频、音频及文本中的一种；根据多视图数据的原始数据矩阵，确定每个视图的拉普拉斯矩阵、深度分解矩阵及全局共识嵌入矩阵；通过深度分解矩阵对原始数据矩阵的每层进行超图正则化深度非负矩阵分解，得到分解结果；通过全局共识嵌入矩阵对分解结果进行高层语义对齐与共识表示融合，得到视图的最终层表示；根据目标函数确定最终层表示的聚类指示矩阵；采用k‑means聚类算法对聚类指示矩阵进行处理，得到多视图聚类结果，通过本发明的技术方案，实现了多视图聚类的准确度。

本发明授权多视图聚类方法、装置、电子设备及存储介质在权利要求书中公布了：1.一种多视图聚类方法，其特征在于，包括： 获取待聚类的多视图数据，所述多视图数据为图像、视频、音频及文本中的一种； 根据多视图数据的原始数据矩阵，确定每个视图的拉普拉斯矩阵、深度分解矩阵及全局共识嵌入矩阵； 通过深度分解矩阵对原始数据矩阵的每层进行超图正则化深度非负矩阵分解，得到分解结果； 通过全局共识嵌入矩阵对分解结果进行高层语义对齐与共识表示融合，得到视图的最终层表示； 根据目标函数确定最终层表示的聚类指示矩阵； 采用k-means聚类算法对聚类指示矩阵进行处理，得到多视图聚类结果； 所述通过深度分解矩阵对原始数据矩阵的每层进行超图正则化深度非负矩阵分解，得到分解结果，包括： 通过对深度分解矩阵的基矩阵和表示矩阵进行更新的方式进行超图正则化深度非负矩阵分解，包括： 根据基矩阵对每层表示矩阵进行单核非负矩阵分解： 其中，为原始数据矩阵，为下一层的单核非负矩阵分解公式；为下一层系数矩阵，其中系数矩阵用于对视图的内部特征进行编码与权重分配，以及，提取潜在因子并将数据映射到低维特征空间；为下一层的基矩阵，为转置； 基矩阵和表示矩阵的更新公式采用乘法更新原则和Karush-Kuhn-Tucker条件得到： 通过基矩阵和表示矩阵的更新公式，迭代更新直至完成每个视图所有层的分解，为原始数据矩阵的高斯核矩阵； 所述通过全局共识嵌入矩阵对分解结果进行高层语义对齐与共识表示融合，得到视图的最终层表示，包括： 通过更新全局共识嵌入矩阵的方式对分解结果进行高层语义对齐与共识表示融合，其中共识嵌入矩阵的更新方式为： 其中，、为超参数，为控制自适应相似性矩阵S的低秩稀疏程度；为控制自适应相似性矩阵S的低秩稀疏程度；为全局共识嵌入矩阵的相似性矩阵；，为聚类指示矩阵,由对称化相似性矩阵的超图拉普拉斯矩阵的最小c个特征向量构成，用于将自适应相似性矩阵S投影到低维正交子空间； 通过增广拉格朗日及交替乘子方法将待更新的相似性矩阵划分为Z、相似性矩阵及拉格朗日乘子； 根据相似性矩阵的目标方程，依次执行Z、相似性矩阵及拉格朗日乘子的更新，其中相似性矩阵S的目标方程为： 其中，；=tanh；为惩罚参数；为超图拉普拉斯矩阵；表示多视图一致性相关超参数，控制每个视图最后一层表示与共识嵌入矩阵V的对齐程度；控制共识空间流形保持的强度； 其中Z的更新为： 其中，相似性矩阵的更新为： 其中，拉格朗日乘子Y的更新为： 对相似性矩阵S进行迭代更新时，惩罚参数自增，直至迭代至最大迭代次数，得到相似性矩阵S的更新结果，其中更新结果为视图的最终层表示； 所述根据目标函数确定最终层表示的聚类指示矩阵，包括： 所述目标函数为： 其中，目标函数为联合深度概念分解与子空间学习的潜在嵌入隐空间多视图聚类的目标方程，表示第个视图的数据矩阵，为第层到第层的基矩阵，为第层到第层的表示矩阵，为深度概念分解的层数，为超图拉普拉斯矩阵，表示矩阵转置，为矩阵的迹，为聚类指示矩阵,；为超参数；表示第层超图正则化权重，控制深度分解时超图结构保持的强度；表示多视图一致性相关超参数，控制每个视图最后一层表示与共识V的对齐程度；控制共识空间流形保持的强度；用于控制相似性矩阵S的低秩程度；控制子空间嵌入的流形约束； 根据目标函数确定基矩阵更新公式及表示矩阵更新公式，其中基矩阵更新公式为： 其中，是非负约束的KKT乘数且： 其中，表示矩阵更新公式为： 当ih时： 当i=h时： 其中，为节点度矩阵； 根据基矩阵更新公式、表示矩阵更新公式及全局共识嵌入矩阵的更新公式确定预设迭代次数后的目标函数是否收敛，若收敛则对聚类指示矩阵进行更新。

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湖南工商大学，其通讯地址为：410205 湖南省长沙市岳麓区岳麓大道569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。