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！

龙图腾网获悉西北大学申请的专利一种基于自适应二部图的快速鲁棒无监督降维算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：CN115329837B 。

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：202210796500.5，技术领域涉及：G06F18/214；该发明授权一种基于自适应二部图的快速鲁棒无监督降维算法是由牛凡;郭军;石梅;许鹏飞;孙敏娟;张益姣;张奥;姚丽娜;刘晓霞设计研发完成，并于2022-07-06向国家知识产权局提交的专利申请。

本一种基于自适应二部图的快速鲁棒无监督降维算法在说明书摘要公布了：本发明公开了一种基于自适应二部图的快速鲁棒无监督降维算法FRUDR‑ABG，使用锚点策略来构造描述统计或几何信息的二部图，并能快速自适应地更新图和学习低维表示；另外使用新的距离准则来处理异常值带来的负面影响。为了更完整的保留结构信息，算法中加入了实用的策略以达到同时保留原始数据的局部流形和全局结构的目的。在这个算法中，结构学习和降维同时进行，实现了全局和局部结构学习的结合。提出迭代重加权优化方法进行求解之后，还设计了一系列在基准数据集上的实验，去验证该算法效率和识别性能。这些优点使得FRUDR‑ABG更适合大规模数据集降维。

本发明授权一种基于自适应二部图的快速鲁棒无监督降维算法在权利要求书中公布了：1.一种基于自适应二部图的快速鲁棒无监督降维方法，其特征在于，包括： 步骤1：数据集预处理： 数据集包括用于降维的样本数据和用于测试的标签信息，所述数据集为图像数据集，在预处理之前，根据数据集的不同进行mapminmax或NormalizeFea归一化处理；其中，mapminmax归一化处理是将矩阵的每一行处理成[-1,1]区间；NormalizeFea归一化处理则是根据行数对行或列进行归一化；另外对于特征数过大的数据集通过保留92％的信息进行PCA预处理以简化计算； 所述mapminmax的数学定义为： Y＝YMAX-YMIN*X-XMINXMAX-XMIN+YMIN； 其中，X是预处理的数据点矩阵，它被定义为一个d*n的矩阵，即X＝[x1,x2,…,xn]∈Rd ×n，其中d是样本数据的特征数，n是样本数据的数目；YMIN和YMAX是期望的每一行的最小值与最大值，XMIN和XMAX是训练数据的最大值和最小值； 如果某行的数据全部相同，此时XMAX＝XMIN，除数为0，则此时数据不变； 所述NormalizeFea的定义为：如果row＝1，对数据的每一行进行归一化，使其具有单位范数；如果row＝0，对数据的每一列进行归一化，使其具有单位范数； 步骤2：建立自适应降维与相似图构造模型并定义用于计算高维空间到低维空间的投影矩阵的目标函数： 其中，样本矩阵X＝[x1,x2,…,xn]∈Rd×n,其中d是样本数据特征数量，n是样本数据点的数量，每列表示一个样本；mk是低维子空间的锚点矩阵M的第k个向量，M＝[m1,m2,…,mp]∈Rd'×p，pn； 对于第i个数据点xi,sik被定义为xi和第k个锚点之间的相似度；S＝{sik}∈Rn×p是由sik组成的相似图中的权矩阵，简称为相似度矩阵；W∈Rd×d'代表投影矩阵，d′表示投影子空间的维度，d′＜d； ||WTxi-mk||2是通过基于l2,1范数距离计算准则来计算的；γ是惩罚项的平衡参数；分母中的St＝XXT，TrWTStW是的迹比形式；约束表示xi的相似数据点的群集中的相似度权值之和为1；并假设局部距离越近的样本对之间的相似度越高，即对应的sik越大； 步骤3：计算所述投影矩阵的目标函数，得到降维模型中映射矩阵的全局最优解； 步骤4：从步骤3中得到的关于映射矩阵的全局最优解，再将其通过下列公式将样本数据投影到低维子空间中： X_projected＝XT×W 式中，XT是矩阵X的转置；X_projected＝[x1,x2,…,xn]∈Rd'×n是样本数据X在投影子空间的低维表示；W∈Rd×d'代表投影矩阵，d′＜d； 最后，对比原始数据集中的标签信息，对降维后的数据集进行20次的随机初始化训练，然后采用欧式距离度量的K-means方法对投影结果进行聚类；并使用聚类准确度和归一化互信息这两个指标对模型进行评估。

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西北大学，其通讯地址为：710069 陕西省西安市太白北路229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”。