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！

龙图腾网获悉安徽大学申请的专利一种均匀随机锚点生成方法及锚点自适应多视图聚类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：CN115438710B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202210825866.0，技术领域涉及：G06F18/23；该发明授权一种均匀随机锚点生成方法及锚点自适应多视图聚类方法是由纪霞;席华梅设计研发完成，并于2022-07-13向国家知识产权局提交的专利申请。

本一种均匀随机锚点生成方法及锚点自适应多视图聚类方法在说明书摘要公布了：本发明涉及一种均匀随机锚点生成方法及锚点自适应多视图聚类方法。锚点生成方法包括如下步骤：第一步：对视图进行归一化处理得到多个样本点；第二步：将多个所述样本点映射到一个坐标系中，计算每个样本点到原点的距离；按照距离的远近将样本点划分到多个距离类别中；第三步：根据距离类别将多个样本点所在的区域划分为若干区块，并使每个区块内具有相同数量的样本点；第四步：在每个区块中随机提取相同数量的多个样本点作为锚点；多个锚点合并为锚点集。上述均匀随机锚点生成方法以较低的运行时间生成更具代表性的锚点，更好地表示每个视图的样本点集的潜在结构，兼顾了锚点生成方法的高效率与高代表性。

本发明授权一种均匀随机锚点生成方法及锚点自适应多视图聚类方法在权利要求书中公布了：1.一种基于锚点的自适应多视图聚类方法，其用于在同一对象的多个视图数据中提取样本点，并根据样本点将每个视图进行融合形成一个具有代表性的样本点相似图；其特征在于，自适应多视图聚类方法包括如下步骤： S1：获取关于同一对象的多个视图作为多视图数据集； S2：采用均匀随机锚点生成方法在每个视图中提取多个锚点；对每个视图锚点取并集得到锚点集；其中，均匀随机锚点生成方法包括如下步骤：对视图进行归一化处理得到多个样本点；将多个所述样本点映射到一个坐标系中，计算每个样本点到数据原点的距离；进而将所有样本点按照所述距离的远近进行分类，得到多个距离类别；根据所述距离类别将多个样本点所在的区域划分为若干区块，并使每个区块内具有相同数量的样本点；在每个区块中随机提取相同数量的多个样本点作为多个锚点，其中，任意视图为同一对象的多个视图，根据样本点将每个视图进行融合形成一个具有代表性的样本点相似图； 其中，所述区块的划分方法如下： 设样本点集X为：X＝[x1,x2,x3,...,xn]T∈Rn×d，数据原点x0为：x0＝[0,0,0,...,0]∈R1 ×d； 其中，n代表样本点数量，d代表特征维度； 记f为X中的样本点xi到数据原点x0的距离度量函数，dii＝1,2,...,m表示xi到x0关于f的距离，di＝fx0,xi；将样本点集中所有样本点到数据原点的距离合并，得到距离集合D为： D＝{d1,d2,…,dn}； 按照di的数值进行升序排序，得到正序距离集合D’为： D’＝{ds1,ds2,…,dsn}，ds1≤ds2≤…≤dsn； 按照di的数值对样本点集进行升序排序，得到正序样本点集X'为： X'＝{x1',x'2,x'3,...,x'n}； 则定义每个区块中的样本点集合B1,B2,…,Bp为： B1∪B2∪…∪Bp＝X，B1∩B2∩…∩Bp＝Φ； 其中，前p-1个区块具有相同的样本点数剩余的样本点划分到第p个区块中； S3：建立锚点自适应相似图模型，并根据每个视图的锚点在所述锚点自适应相似图模型中生成相应的锚点相似图； 其中，锚点自适应相似图模型的生成方法如下： S31：构建一个基于锚点的经典相似图模型，所述相似图模型用于根据每个视图的多个锚点生成一个锚点相似图； S32：在所述相似图模型中引入诱导因子以使所述相似图模型克服出现平凡解； S33：通过拉格朗日函数对所述相似图模型的约束条件进行优化，得到基于锚点自适应相似图模型； S4：根据每个视图的锚点在锚点集中所占的比例对每个视图赋予权重；根据每个视图的权重将全部的锚点相似图融合，进而得到最终锚点相似图； S5：通过简单计算将最终锚点相似图转化为样本点相似图。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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”。