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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于超图自编码器的多模态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：CN119337161B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411286382.9，技术领域涉及：G06F18/23213；该发明授权一种基于超图自编码器的多模态聚类方法是由吴旭;颜成钢;曾龙健;江劭玮;丁贵广;王鸿奎设计研发完成，并于2024-09-13向国家知识产权局提交的专利申请。

本一种基于超图自编码器的多模态聚类方法在说明书摘要公布了：本发明公开了一种基于超图自编码器的多模态聚类方法。首先获取模态数据集合，基于模态数据集合形成超图，并得到邻接矩阵；然后通过自编码器网络得到每个模态数据集合的编码器输出和解码器输出；再者，融合每个模态数据对应的潜在表示为多模态数据潜在表示，得到相应的相似度矩阵；综上更新自编码器网络的网络参数和多模态潜在表示直到损失函数收敛，最后根据更新的多模态潜在表示将多模态数据分为k个类别。本发明通过数据的结构先验来学习样本间的潜在相似性，有效的结构先验可以减轻样本特征的偏差。我们利用预训练模型的特征表示能力和超图的卓越建模能力，将特征先验和结构先验集成到模型中。这提高了自监督学习算法的质量。

本发明授权一种基于超图自编码器的多模态聚类方法在权利要求书中公布了：1.一种基于超图自编码器的多模态聚类方法，其特征在于，包括以下步骤： 步骤一：使用预训练的特征提取模型获取多个目标对象的m个模态对应的模态数据集合；所述模态包括图像、文本、声音和表情符号； 步骤二:采用最近邻居算法计算模态数据集合中模态数据的最近邻居，连接互为邻居的的模态数据形成超图，得到邻接矩阵； 步骤三：将每个模态数据集合分别输入一个独立的自编码器网络，得到每个模态数据集合的编码器输出和解码器输出； 步骤四：融合每个模态数据对应的潜在表示为多模态数据潜在表示，并进一步得到多模态数据潜在表示的相似度矩阵； 步骤五：根据各模态数据对应的预训练模型输出、编码器输出、解码器输出、邻接矩阵以及相似度矩阵，采用损失函数计算损失值； 步骤六：根据总损失值进行梯度反向传播，更新自编码器网络的网络参数和多模态潜在表示直到损失函数收敛； 步骤七：根据更新的多模态潜在表示，通过k-means聚类方法，将多模态数据分为k个类别； 步骤二具体步骤如下： 将数据集中每单个模态映射到超图的顶点集,其 中为超图的顶点，并通过计算顶点特征间的欧几里得距离来衡量顶点之间的距离，其 中欧几里得距离定义如下： 其中表示顶点和之间的欧几里得距离；和 分别表示顶点和的特征，C表示特征的维度，和分别表示顶点和 的特征在第c个维度的值，数据集中每单个模态数据均采用如上方法映射到各自超图的顶 点上； 接下来对于每个顶点，将该顶点和其他顶点之间的欧几里得距离缩放到[0,1]，具体公式如下所示： 其中表示从顶点到其他顶点的最大欧几里得距离；为缩 放后的顶点到其他顶点的欧几里得距离； 然后同时使用ϵ-ball以及K-NN构图方法来得到模态数据集合中模态数据的最近邻居，其中K-NN是基于每个点与其k个最近邻之间的关系构建的图结构；ϵ-ball是基于每个顶点与距离它小于某个半径ϵ的邻居之间的关系构建的图结构；具体步骤如下： 首先，使用ϵ-ball构图方式计算顶点的邻居子集,计算方式如下： 其中为以ϵ-ball构图方式获得的顶点的邻居子集，th为预先设置好的 距离阈值； 同时，使用K-NN构图方式计算顶点的邻居子集,计算方式如下： 其中，K为预先设置好的邻居顶点数，表示用K-NN构图方式获得的顶点 的邻居子集，sort·表示距离排序算法，||=K； 综上，通过两种构图方式，对每个顶点，能够生成邻居顶点集和，最终生成邻居顶点集如下： 根据邻居顶点集，定义超边集如下： 根据邻居顶点集能够得到关联矩阵，其中关联矩阵定义如下： 其中为关联矩阵H第i行j列的元素值； 进一步，将多模态数据的关联矩阵构造为邻接矩阵，公式表示如下： 其中为邻接矩阵第i行j列的元素值； 其中二进制函数定义为： 为了提高模型的泛化能力，定义邻接矩阵的权重矩阵如下： 其中，为邻接矩阵的元素和。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。

以上内容由龙图腾AI智能生成。