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！

龙图腾网获悉北京工业大学申请的专利从原始图像学习的图卷积聚类方法及装置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：CN114881159B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202210543268.4，技术领域涉及：G06V10/762；该发明授权从原始图像学习的图卷积聚类方法及装置是由尹宝才;赵珈艺;孙艳丰设计研发完成，并于2022-05-16向国家知识产权局提交的专利申请。

本从原始图像学习的图卷积聚类方法及装置在说明书摘要公布了：从原始图像学习的图卷积聚类方法及装置，对预先提供的图的质量要求不高，模型学习的灵活性更强，对各种复杂的聚类应用的鲁棒性更好。方法包括：1采用深度自动编码器DAE学习原始图像中判别力强的数据表示，探索数据的潜在属性信息；2从原始图中学习具有低秩和稀疏结构的自适应图；引入图的拉普拉斯约束，同时学习最优的图关系和数据的判别表示；3进行自监督的聚类，自监督节点表示的学习，在聚类中使用软赋值分布作为聚类标签。

本发明授权从原始图像学习的图卷积聚类方法及装置在权利要求书中公布了：1.从原始图像学习的图卷积聚类方法，其特征在于：该方法包括以下步骤： 1采用深度自动编码器DAE学习原始图像中判别力强的数据表示，探索数据的潜在属性信息； 2从原始图中学习具有低秩和稀疏结构的自适应图；引入图的拉普拉斯约束，同时学习最优的图关系和数据的判别表示； 3进行自监督的聚类，自监督节点表示的学习，在聚类中使用软赋值分布QZ作为聚类标签； 所述步骤1中，假设DAE包含个编码器层，假设给定第l-1-th层表示第l层编码器通过以下非线性操作学习新的表示： 其中为变换矩阵，为相应的偏差，φ为非线性激活函数；H0表示原始特征X； 经过L编码器学习过程，学习潜在和判别表示DAE的解码器对的原始数据进行对称重构，解码器操作被定义为: 其中和分别为变换矩阵和解码器学习过程中的偏差， 目标函数的自然定义如下: 其中为重建的数据特征； 所述步骤2中，自适应地学习一个邻接图矩阵s具体的结构和性质接近于原始的图结构A： s.t.S＝ST，S∈[0，1]N×N5 其中，λ＞0是一个平衡的参数，第一项保证新的邻接连接矩阵S不偏离原始图矩阵A； 所述步骤2中，将统一的自适应图学习模型的目标函数表示为： s.t.S＝ST，S∈[0，1]N×N6 其中，α和β为超参数，平衡稀疏项和低秩项的贡献，表示学习一个邻接图矩阵S的结构和性质接近于原始的图结构A，α||S||1表示通过最小化矩阵S的l1范数来追求稀疏结构，β||S||*表示最小化矩阵S的核范数来追求低秩结构； 所述步骤2中，将统一的自适应图学习模型的目标函数表示为： s.t.S＝ST，S∈[0，1]N×N10 其中，A为原始的图结构，S为学习到的邻接矩阵，N为节点数，X为节点属性特征，α，β和λ为超参数，平衡了稀疏项，低秩项和平滑项的贡献，LS＝D-S是S的图拉普拉斯矩阵，使用归一化的拉普拉斯矩阵代替LS； 所述步骤2中，当学习邻接矩阵S时，定义动态图嵌入模块： 其中，S为学习到的邻接矩阵，I是N×N的单位矩阵， 是节点度矩阵，其中并且，Wl是可学习的参数，第l-1-th层图卷积学习表示作为第l层的输入，得到新的表示形式Zl； 所述步骤3中，总体目标函数为： s.t.S＝ST，S∈[0，1]N×N19 其中s为学习到的邻接矩阵，N为节点数，γ为超参数，来平衡动态图学习与图卷积嵌入学习表示的贡献，和 所述步骤3中，将目标聚类分布PH与原始聚类表示分布QH之间的KL差异最小化： 其中PH＝[PH|ij]表示目标聚类分布，QH＝[QH|ij]表示H的聚类分布，最小化分布PH和QZ之间的KL散度 其中，PH＝[PH|ij]表示目标聚类分布，QZ＝[QZ|ij]为表示Z的聚类分布，QZ|ij的计算方法为 其中，{μ1,μ2,…,μC}是表示Z＝[z1，z2，…，zN]的簇中心，对Z执行K-means进行初始化，QZ＝[QZ|ij]为表示Z的聚类分布； 所述步骤3中，在聚类中使用软赋值分布QZ作为聚类标签，对于样本i的标签，通过以下公式获得： 其中QZ＝[QZ|ij]为表示Z的聚类分布，ri为样本i的聚类标签。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。