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！

龙图腾网获悉浙江工业大学申请的专利基于分位数加权稳健支持向量机的姿势估计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：CN115840905B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202211676442.9，技术领域涉及：G06F18/24；该发明授权基于分位数加权稳健支持向量机的姿势估计方法是由陈伟杰;孙辉锋;陈培;陈彦榕设计研发完成，并于2022-12-26向国家知识产权局提交的专利申请。

本基于分位数加权稳健支持向量机的姿势估计方法在说明书摘要公布了：基于分位数加权稳健支持向量机的姿势估计方法，包括：1构建基于传感数据的姿势估计数据集；2对人体姿势估计数据集进行处理。采用“一对余”策略来处理多分类学习问题，即将个类别分类问题，划分为个二分类学习子问题；3使用分位数法筛选出异常点，然后使用kNN方法计算权重值；4根据不均衡度和噪声信息，分别设计类内权重矩阵和类间权重矩阵；5构建基于分位数加权的稳健支持向量机优化模型；6根据优化问题求解线性方程组；7获得最优稳健支持向量机姿势类别超平面；8构建姿势估计决策函数；9根据手持设备的传感数据，预测人体姿势类别。

本发明授权基于分位数加权稳健支持向量机的姿势估计方法在权利要求书中公布了：1.基于分位数加权稳健支持向量机的姿势估计方法，包括如下步骤： 步骤一：人体姿势估计数据集的构建；首先，携带智能手机依次进行六项活动，步行、步行上楼、步行下楼、坐下、站立、躺下；其次，以智能手机传感器数据为基础，进行手动标记所属姿势类别；再次，通过应用滤波器对传感器信号进行预处理，然后在固定宽度滑动窗口中进行采样；使用巴特沃斯低通滤波器将具有重力和人体运动分量的传感器加速度信号分离为人体加速度和重力；假定重力仅具有低频分量，因此使用了具有0.3Hz截止频率的滤波器；通过从时域和频域计算变量，从每个窗口中获取特征向量；并提供具有这些经过特征工程的数据；然后，使用特征工程处理后的特征xi，同时将手工标记类别作为输出yi；最后，对数据进行归一化，得到有监督数据集其中xi∈Rn为维度n的样本特征，yi为样本相应的输出，m为样本规模； 步骤二：人体姿势估计多分类建模；采用“一对余”策略来处理多分类学习问题，即将S个类别分类问题，划分为S个二分类学习子问题；针对第s个类别s＝1，...S，数据集分为两个不重复的部分：属于第s类的数据样本矩阵As和所有剩余类别的数据样本矩阵其中，矩阵含有ls个第s类样本点；含有个其余类样本点；使用Is来表示属于s类的人体姿势估计数据样本点索引，表示第s类的样本xi,i∈IS； 步骤三：使用kNN加权和四分位数分别计算类内权重值和噪声估计；将类内权重值记作表示第s类中的第i个样本的类内权值； 3.1计算第s类每个样本xi在类内的kNN距离，然后从小到大排序，将距离值记作 3.2计算各类别数据的kNN距离的上四分位数和下四分位数然后，计算四分位数差IQDs： 3.3在不同类别中分别计算上异常值截断点，记作ts,s＝1，...，S表示第s类的上异常值截断点； 其中，β是一个常数； 3.4根据上异常值截断点的性质，样本的kNN值与该类的上异常截断点值越接近，表明该样本点越远离该类的分布中心；因此该样本应当被赋予更小的类内权重；当kNN值大于上异常截断点值时，将该样本视为异常点，同时将其权重赋值为0；而kNN值越小则说明该样本点越靠近样本点中心，对于该类越重要，应当赋予更大的权重但不能大于1；基于以上分析，对于第s类的类内权值构造如下： 步骤四：为了使用数据的局部几何结构进行建模，根据kNN方法，分别计算每个类别的类间权值； 4.1采用“一对余”的策略为每个类构造一个类间图记作即针对第s个类别s＝1,...,S，将原始类别划分为两个不重复部分，属于第s类的数据样本视为类内部分As，不属于第s类的其余样本视为类间部分 这里的xi属于除第s类外的其他类别，xj属于第s类，xi，xj是kNN关系； 4.2使用欧几里得度量来测量任何一对kNN之间的距离；提取驻留在另一类样本中的可能支持向量；然后定义类间权重值记作并用样本与kNN距离的均值作为权重值； 步骤五：构建QWRSVM分类器；旨在为每个姿势类别寻找一个最优超平面fsx： fsx＝ws Tx+bs＝0，s＝1，...，S8 其中，fsx是类别s的近端超平面；ws和bs是对应超平面的权重和偏置，x是样本的特征； 为了解决在实践中经验风险最小化带来的过拟合问题和矩阵奇异值问题；通过引入一个额外的正则项提出了结构风险最小化版本；然后，得到了QWRSVM的原始问题： 其中，ξ是非负的松弛变量；c1，c2是惩罚参数； 为了表述方便，将上述样本的向量形式转化为下面的矩阵形式 其中，式10表示类别s的近端超平面的优化问题；Qs是对角矩阵，其主对角线上为类别s的类内权重值式4,Ds是对角矩阵，其主对角线上为类别s的类间权重值式7,定义如下： 用于控制样本在类内或类间中的影响；es1,es2是适当维度的单位向量； 对优化问题10进行分析，最小化目标函数的第一项是正则项，为了实现结构风险最小化，即权衡模型复杂度和模型精度，避免过拟合；第二项是为了使得第s类样本点到该类的超平面距离更近，即使样本尽量地聚集在该类超平面附近；最后一项要求其他类别样本点到超平面地距离至少为1，松弛变量为在不满足约束条件时的度量误差，即旨在最大化的将两类样本点分开； 步骤六：求解步骤五的优化问题； 6.1在优化问题式10中，先将第一个约束条件带入到目标函数中，然后再将第二个约束条件带入得到目标函数的拉格朗日函数： 6.2将式10对ws，bs求梯度，并设梯度等于0，得 6.3根据式13和式14，求解得 其中，H＝[Aes1],G＝[Bes2],i是适当维度的单位矩阵；到此，QWRSVM方法的训练阶段完成； 步骤七：分类器姿势估计预测阶段；对于一个新数据样本，即手持设备传感器数据x，通过计算x到每个非平行近端超平面的距离来判断新样本的类别；每一个非近端超平面就代表一种姿势；距离最近的超平面的类别就是新样本的类别；决策函数如下： 其中，|.|表示绝对值，s＝1，…，S表示第s个类别。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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”。