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！

龙图腾网恭喜中南大学申请的专利基于伪标签深度聚类的圆管碰撞变形模式识别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：CN117372734B 。

龙图腾网通过国家知识产权局官网在2025-04-01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：202311315354.0，技术领域涉及：G06V10/762；该发明授权基于伪标签深度聚类的圆管碰撞变形模式识别方法是由阳程星;许平;姚曙光;李朝阳;王博设计研发完成，并于2023-10-11向国家知识产权局提交的专利申请。

本基于伪标签深度聚类的圆管碰撞变形模式识别方法在说明书摘要公布了：本发明公开了一种基于伪标签深度聚类的圆管碰撞变形模式识别方法，属于结构碰撞变形模式识别技术领域，包括以下步骤：S1：基于深度聚类算法构建结构碰撞变形模式无监督聚类模型；S2：训练所述结构碰撞变形模式无监督聚类模型；S3：利用训练好的结构碰撞变形模式无监督聚类模型识别圆管碰撞变形模式。本方法提高了识别精度。

本发明授权基于伪标签深度聚类的圆管碰撞变形模式识别方法在权利要求书中公布了：1.一种基于伪标签深度聚类的圆管碰撞变形模式识别方法，其特征在于：包括以下步骤：S1：基于深度聚类算法构建结构碰撞变形模式无监督聚类模型；S2：训练所述结构碰撞变形模式无监督聚类模型；对于所述结构碰撞变形模式无监督聚类模型的训练，包含三个分支；在第一分支中，批次训练中的所有数据样本经过随机变换组合得到数据增强样本变换1，变换1作为特征提取器的输入得到其对应的嵌入特征作为第一分支的输出；在第二分支中，同一批次的所有数据样本经过随机变换组合得到数据增强样本变换2，变换2依次经过特征提取器和聚类器后得到其聚类结果的概率分布；在第三分支中，同一批次的数据样本经过随机变换组合得到数据增强样本变换3，变换是依次经过特征提取器和聚类器后得到预测的聚类结果，其同样是以样本属于各聚类簇概率分布的形式给出；分支一和分支二的输出结果作为一种基于语义相似性的伪标签算法的输入，用于构建伪标签，并以监督学习的形式对分支三的网络权重进行调整；不断的重复训练过程，直到聚类模型收敛；在训练过程中，所有分支中的深度神经网络特征提取器的权重共享，第二分支和第三分支的神经网络聚类器的权重共享；梯度信息只向第三分支的聚类器和特征提取器模型传递，第一分支和第二分支内的深度神经网络则不参与梯度回传；三种随机变换的复杂程度依次提升，即复杂程度表示对原始数据进行随机变换组合的复杂程度，复杂程度越低表明经过这种随机变换组合后得到的数据增强样本与原始数据样本更接近，其做的变换越少；反之则表明数据增强样本与原始数据样本差异程度较大，其做的变换越多；S3：利用训练好的结构碰撞变形模式无监督聚类模型识别圆管碰撞变形模式；基于特征相似度构建伪标签，具体包括以下步骤：对于给定批次数据样本xi∈{x1，x2，...，xm}，经过第一分支和第二分支分别获得该批次数据样本的嵌入特征向量F＝[fi]m×d及其属于各聚类簇的概率分布P＝[pi]m×k；对于每个聚类，首先利用P来选择nt个置信度最高的样本用于估计该聚类的簇中心，这nt个样本选择方法如下式所示： idc＝{i|Pic≥p*，i∈[1，2，...，m]}其中，表示对该批次样本按照其属于聚类c的概率的降序排列，p*表示中的第nt个样本属于聚类c的概率，sort·表示降序排列函数；k为聚类数；m为该批次样本数；r∈[0，1]为调节系数，用于调整估计聚类簇中心的样本数量nt；Pic表示第i个样本对聚类c的概率估计；idc表示最后获得的高置信度样本的序号；筛选了高置信度样本后，聚类簇中心的估计由下式计算： 在得到各个聚类簇的中心后，计算各样本嵌入特征向量与所估计的聚类簇中心的欧氏距离，为每一聚类簇选择与其所估计的聚类簇中心最近的nc个样本，赋予其该聚类簇的伪标签，若某一样本同时是某两个聚类簇距离最近的nc个样本之一，则赋予其这两个聚类簇的伪标签；这一过程由下式描述： 其中，表示距离第c个聚类簇中心最近的nc个样本的集合；xt表示该批次数据样本中所有获得伪标签的样本集合；k表示聚类簇的数量；nc的取值为nc＝5mk。

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中南大学，其通讯地址为：410017 湖南省长沙市岳麓山左家垅；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”。