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！

龙图腾网获悉华侨大学申请的专利基于共识聚类的政务数据多视图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：CN120123718B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202510583447.4，技术领域涉及：G06F18/2113；该发明授权基于共识聚类的政务数据多视图特征选择方法及系统是由曾海鑫;施一帆;曾焕强;龚鑫荣;蔡磊;林琦;郑惠洁;杨楷翔设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本基于共识聚类的政务数据多视图特征选择方法及系统在说明书摘要公布了：本发明公开了基于共识聚类的政务数据多视图特征选择方法及系统，涉及机器学习技术领域，方法包括：通过调整K‑means算法的初始化策略和距离度量参数，为各政务视图创建差异化的基础聚类集合并构建协相关矩阵；利用自适应权重机制解析这些矩阵以提取关键政务信息，进而构建及归一化全局共识矩阵；采用最小二乘回归与L2,1范数正则化及Frobenius范数约束优化多视图特征选择模型，通过自步学习进行特征选择引导；结合优化后的模型与全局共识矩阵建立特征选择目标函数，对政务视图数据排序并选取排名前k的关键特征。本发明通过将自步学习后的多视图特征选择模型与全局共识矩阵结合，构建共识矩阵引导的特征选择目标函数，优化了政务视图数据的关键特征选择。

本发明授权基于共识聚类的政务数据多视图特征选择方法及系统在权利要求书中公布了：1.一种基于共识聚类的政务数据多视图特征选择方法，其特征在于，包括： S1，对于每个政务数据视图，通过优化聚类中心的初始化策略和调整距离度量参数，生成具有差异性的基础聚类集合，对基础聚类集合进行b次K-means聚类获得聚类结果，对聚类结果进行集成，获得基本分区矩阵，对基本分区矩阵进行内积相乘，构造每个政务视图的协相关矩阵； S2，通过自适应权重机制对每个政务视图的协相关矩阵进行学习，获取关键政务信息，基于关键政务信息构建全局共识矩阵，对全局共识矩阵进行归一化处理，获得归一化后的全局共识矩阵； S3，通过最小二乘回归算法构建多视图特征选择模型，通过L2,1范数正则化和Frobenius范数约束对多视图特征选择模型中的特征选择矩阵进行优化，获得优化的多视图特征选择模型，通过自步学习对优化的多视图特征选择模型进行特征选择引导，获得自步学习后的多视图特征选择模型； S4，将自步学习后的多视图特征选择模型与全局共识矩阵相结合，构造基于共识矩阵引导的特征选择目标函数； S5，通过特征选择目标函数将每个政务视图数据进行结合，对结合后的政务视图数据进行降序排列，选择出排名靠前k的特征； 通过最小二乘回归算法构建多视图特征选择模型，通过L2,1范数正则化和Frobenius范数约束对多视图特征选择模型中的特征选择矩阵进行优化，计算公式如下： 其中，Xv表示每个政务视图的数据，n表示政务视图样本个数，fv表示每个政务视图样本维度；Wv表示特征选择矩阵，用于学习特征与簇之间的关系；Y*表示聚类指示矩阵，Y*∈Rn×k，k为投影维度；α为超参数，用于控制正则化项；β用于控制数据拟合和正则化的权衡；‖Wv‖2,1表示对特征选择矩阵Wv进行l2,1范数；表示特征选择矩阵Wv的最小值； 通过自步学习对优化的多视图特征选择模型进行特征选择引导，获得自步学习后的多视图特征选择模型，具体如下： 其中，Dv表示自步学习系数，Dv∈Rn×n，用于控制下一次迭代政务数据的数量；表示选择向量，σv用于控制下一次迭代政务数据的数量系数； 将自步学习后的多视图特征选择模型与归一化后的全局共识矩阵相结合以构造基于共识矩阵引导的特征选择目标函数，具体如下： 用全局共识矩阵M替代伪约束DvY*，构造基于共识矩阵引导的特征选择目标函数，具体如下： 其中，XvWv∈Rn×k，n表示政务视图样本个数，k为投影维度；s.t.表示约束条件；表示Frobenius范数的平方。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城东城华北路269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”。