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！

龙图腾网获悉北京理工大学申请的专利一种基于聚类知识蒸馏驱动的联邦学习的情绪识别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：CN119623578B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411682321.4，技术领域涉及：G06N3/098；该发明授权一种基于聚类知识蒸馏驱动的联邦学习的情绪识别方法是由胡斌;钱昆;邱夕航;朱翠萍设计研发完成，并于2024-11-22向国家知识产权局提交的专利申请。

本一种基于聚类知识蒸馏驱动的联邦学习的情绪识别方法在说明书摘要公布了：本发明公开了一种基于聚类知识蒸馏驱动的联邦学习的情绪识别方法。本发明采用聚类知识蒸馏的方法来解决模型异构的问题，允许每个客户端根据本地实际情况选择适合的训练模型。采用基于投票的多领导分布式共识机制来实现聚类过程，使得每个通讯轮中完成的聚类簇都不相同，这样引入随机因子可以更好地缓解数据异构带来的收敛速度慢、鲁棒性低等问题。在聚类知识蒸馏过程中，首先簇内的领导者知识蒸馏在让领导者获得整个簇的收敛方向的同时加快了模型的收敛速度，其次簇间的跟随者的知识蒸馏通过融合不同簇的收敛方向来获得全局收敛方向，保证了跟随者不会因为数据异构偏离全局收敛方向。本发明收敛速度快，识别率高，鲁棒性强。

本发明授权一种基于聚类知识蒸馏驱动的联邦学习的情绪识别方法在权利要求书中公布了：1.一种基于聚类知识蒸馏驱动的联邦学习的情绪识别方法，其特征在于，包括： 步骤1，初始化各个客户端部署的模型的参数，构建联邦学习模型； 步骤2，对构建的联邦学习模型进行训练，具体为：在每个通讯轮中， 步骤21，各客户端使用本地数据训练本地模型；其中，各客户端存储私有的本地EEG数据集与一个共享的公共EEG数据集，公共EEG数据集也叫代理数据集； 步骤22，使用基于投票的多领导分布式共识对所有的客户端进行聚类，具体为： 步骤221，将所有的n个客户端都初始化为跟随者；随机选取c个客户端作为候选者；所述c为最后聚类的簇的数目； 步骤222，每个候选者广播投票请求，所述投票请求中包含该候选者自身模型以代理数据集作为输入进行一次前向传播得到的输出；所述代理数据集为每个客户端都拥有的公共数据集； 步骤223，跟随者接收到候选者的投票请求后，计算本地模型在代理数据集上进行一次前向传播得到的输出与该候选者的输出的相似度，若所述相似度大于或等于设定的阈值，则此本地模型给该候选者投赞成票； 步骤224，当所有跟随者对所有候选者均完成投票后，统计候选者获得的赞同票总票数，若，则该候选者成为领导者；否则，该候选者成为跟随者，重新执行一次步骤222~步骤224，若投票选取的领导者的数量仍小于c，则返回步骤21； 步骤225，根据领导者与跟随者的输出的相似度，为每个领导者分配跟随者：对于每个领导者，选取与其相似度最大的前个跟随者作为隶属于该领导者的跟随者，至此将所有客户端分为了个以领导者为中心的簇；其中，一个跟随者可以同时隶属于多个领导者； 步骤226，每过个通讯轮，从个客户端中选出个参与训练次数最少的客户端不经过投票直接作为领导者，根据相似度的大小为这些领导者分配跟随者，得到个簇； 步骤227，以簇内所有跟随者为教师网络，该簇的领导者为学生网络，进行知识蒸馏； 步骤228，以跟随者隶属的所有领导者为教师网络，该跟随者为学生网络，进行知识蒸馏；其中，在聚合多个领导者的输出时使用减熵器模块，即将领导者的平均输出经过一个带参数t的softmax层，通过减小t值降低领导者们的融合输出的熵； 步骤229，重复步骤221~步骤228，直到每个本地模型达到收敛，得到各训练好的本地模型； 步骤3，各客户端采用步骤2训练好的本地模型进行情绪识别。

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理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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”。

以上内容由龙图腾AI智能生成。