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！

龙图腾网获悉武夷学院申请的专利基于标签相关性和实例相关性的层次特征选择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：CN119537898B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202510093336.5，技术领域涉及：G06F18/211；该发明授权基于标签相关性和实例相关性的层次特征选择方法及系统是由郭磊;舒童昕;林耀进;杨昇设计研发完成，并于2025-01-21向国家知识产权局提交的专利申请。

本基于标签相关性和实例相关性的层次特征选择方法及系统在说明书摘要公布了：本发明提出基于标签相关性和实例相关性的层次特征选择方法及系统，特征选择任务被分解为若干个子任务，并为每个子任务选择一个特征子集以提高分类准确性，具体包括以下步骤：S1、输入层次训练数据集；S2、使用层次树结构描述层次训练数据集中类别之间的语义关系，每个内部节点都对应一个子任务；S3、使用损失项以及包括稀疏学习、标签相关性和实例相关性的正则化项构建内部节点所对应的子任务的目标函数，根据目标函数优化每个内部节点的权重矩阵，将每个子任务的权重矩阵按降序排序，选择权重值大的特征，完成层次特征选择任务。本发明不仅考虑了类别之间的层次关系，还利用了实例之间的相似性，从而能够更有效地选择特征，提高分类性能。

本发明授权基于标签相关性和实例相关性的层次特征选择方法及系统在权利要求书中公布了：1.基于标签相关性和实例相关性的层次特征选择方法，其特征在于，特征选择任务被分解为若干个子任务，并为每个子任务选择一个特征子集以提高分类准确性，分类应用领域为图像分类；具体包括以下步骤： S1、输入层次训练数据集，包括一个包含n个实例和m个特征的实例矩阵X∈Rn×m，以及一个包含n个实例和一个标签的单标签矩阵D∈Rn×1，并将单标签矩阵转换为多标签矩阵； S2、使用层次树结构描述层次训练数据集中类别之间的语义关系，层次树结构中的内部节点数量被设为N+1；每个内部节点都对应一个子任务； S3、为内部节点构造损失项，同时将稀疏学习、标签相关性和实例相关性作为正则化项，使用损失项以及包括稀疏学习、标签相关性和实例相关性的正则化项构建内部节点所对应的子任务的目标函数，根据目标函数优化每个内部节点的权重矩阵，将每个子任务的权重矩阵按降序排序，选择权重值大的特征，完成层次特征选择任务； 所述使用层次树结构描述层次训练数据集中类别之间的语义关系具体为：实例矩阵X根据内部节点被划分为X0,X1,X2,...Xi...,XN，0≤i≤N，ni≤n，Xi表示与内部节点i对应的实例矩阵，ni表示与内部节点i对应的实例数量，其中X0是与根节点对应的实例矩阵；Y0,Y1,Y2,...Yi...,YN表示X0,X1,X2,...Xi...,XN的多标签矩阵，其中是与内部节点i对应的多标签矩阵，内部节点i的实例j的标签1≤j≤ni，dmax表示内部节点中类别数量的最大值；用于表示第i个内部节点的权重矩阵； 所述使用损失项以及包括稀疏学习、标签相关性和实例相关性的正则化项构建内部节点所对应的子任务的目标函数具体为： 式中，为层次特征选择的损失函数，||·||F表示矩阵的Frobenius范数； 稀疏学习的正则化项选择l2,1范数，||Wi||2,1为权重矩阵Wi的l2,1范数； 为标签相关性正则化项，tr表示矩阵的迹，即矩阵主对角线上元素之和；Pil＝Pathi,l表示内部节点i与内部节点l之间的路径距离： Pathi,l＝Pathi,0+Pathl,0-2×PathLCAi,l,03 0≤i≤N，0≤l≤N，i＝0或l＝0代表层次树结构中的根节点，LCAi,l表示第i个内部节点和第l个内部节点的最低公共祖先节点； 2trXiWiTLiXiWi为第i个内部节点的实例相关性正则化项，Li表示Ci的ni×ni的拉普拉斯矩阵，Ci表示实例相关矩阵，表示第i个子任务下实例p和实例q之间的相关性； λ、α和β均为非负常数，分别控制稀疏性、标签相关性和实例相关性； 根据目标函数优化每个内部节点的权重矩阵，权重矩阵Wi的表达式如下： 根据内部节点中类别数量的最大值dmax初始化权重W＝[W0，W1，...，WN]；通过式12进行迭代计算直至收敛，得到优化的权重矩阵。

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武夷学院，其通讯地址为：354300 福建省南平市武夷山市百花路358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”。