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！

龙图腾网恭喜北京工业大学申请的专利基于自步学习的多视聚类方法及装置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：CN112598060B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202011533129.0，技术领域涉及：G06F18/23；该发明授权基于自步学习的多视聚类方法及装置是由胡永利;罗萃萃;王博岳;孙艳丰;尹宝才设计研发完成，并于2020-12-22向国家知识产权局提交的专利申请。

本基于自步学习的多视聚类方法及装置在说明书摘要公布了：基于自步学习的多视聚类方法及装置，能够有效避免传统方法的不足，能够有效提高模型对噪声点和离群值的鲁棒性，确保视角共享一致性信息最大化的同时还能有效利用到每个视角自己的内在化差异性信息。方法包括：1输入为多视角数据集，对每个视角、每个样本对应一个节点，以每个节点为中心，利用自适应图学习方法学习节点之间的相似性从而构建边，以此完成每个视角的图的构建；2基于一致性和个性化信息分离策略构建多图聚类模型；3使用自步学习权重矩阵来衡量图中每个节点的复杂性，从较少的简单节点过渡到越来越多的复杂节点，逐渐参与到多图学习中去，直到模型收敛；4输出聚类结果。

本发明授权基于自步学习的多视聚类方法及装置在权利要求书中公布了：1.基于自步学习的多视聚类方法，其特征在于：该方法包括以下步骤： 1输入为多视角数据集，对每个视角、每个样本对应一个节点，以每个节点为中心，利用自适应图学习方法学习节点之间的相似性从而构建边，以此完成每个视角的图的构建； 2基于一致性和个性化信息分离策略构建多图聚类模型； 3使用自步学习权重矩阵来衡量图中每个节点的复杂性，从较少的简单节点过渡到越来越多的复杂节点，逐渐参与到多图学习中去，直到模型收敛； 4输出聚类结果； 所述步骤1中，获取待聚类的多视角数据χ＝{X1，…XM}，所述多视角数据是指提取了M个特征的一组样本数据，每个视角下有多个样本，其中第m个视角下特征矩阵dm和N为特征维度和样本数目，根据以下自适应图方法来对数据集构造每个视角所对应的初始图 自适应图学习通过对每一个样本点xi自适应的分配最优的近邻点来学习出相似性矩阵； 所述步骤1中，第m个视角共有N个样本，共属于K个类别，其中，分别表示第m个视角下的第i，j个样本，表示两样本的相似性，进而构造出第m个视角的初始图所述步骤2中，有了初始多图数据其中Am∈RN×N，构造以下多图学习模型MGC： 其中αm＝1||C⊙Dm-Am||F·，它由当前的C和Dm所确定； 所述步骤2中，N和K为第m个视角下的输入图像数目和图像所属的类别数，ci，·表示共享一致性相似图矩阵C的第i行，LC表示C的拉普拉斯矩阵，rank·表示矩阵的秩，ci，j和di，j m分别表示C和Dm的第i行，第j列的元素，设置下界di，j≥δ，⊙表示矩阵对应元素相乘，表示平方F范数，权衡因子γ取值范围为 {10-4，10-3，10-2，10-1，100，101，102，103}； 所述步骤3中，通过权重矩阵来衡量图中每个边的复杂性，从而构造基于自步学习的多图聚类模型SPLMGC； 所述步骤3中，权重越大，表示第m个图中的边被选择进入多图学习模型MGC的可能性就越大；SPLMGC模型为： 其中lij表示第i条边的损失函数，θ是MGC模型参数，包括Dm，C，权重vij表示第i条边的复杂度，权重参数λ控制自步学习速度； 将权重正则化项采用以下这种软加权的方式： 权重值的范围在[0，1]内，当多图学习模型参数固定时，第i个边的最佳权重为：

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。