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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利基于隐表示的非完整多模态深度聚类方法、装置和计算机设备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：CN120524248B 。

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：202511037428.8，技术领域涉及：G06F17/16；该发明授权基于隐表示的非完整多模态深度聚类方法、装置和计算机设备是由刘吉元;汪睿祺;钱嘉宝;鞠儒生;胡星辰;许凯;尹全军设计研发完成，并于2025-07-28向国家知识产权局提交的专利申请。

本基于隐表示的非完整多模态深度聚类方法、装置和计算机设备在说明书摘要公布了：本申请涉及一种基于隐表示的非完整多模态深度聚类方法、装置和计算机设备。方法包括：分别将各样本的隐表示映射到对应模态的特征空间得到样本各模态的重构数据表示，根据模态缺失指示向量获取各样本的缺失模态，利用缺失模态的重构数据表示对缺失模态数据进行补全，以得到完整多模态数据；对完整多模态数据中各模态数据和各样本隐表示的线性核矩阵进行核对齐，根据各模态的核对齐损失得到数据对齐损失；根据各重构数据表示和对应模态数据间的距离构建数据重构损失，优化数据重构损失和数据对齐损失，利用优化后的各样本的隐表示进行聚类得到各划分类别的数据标签。采用本方法能够提高非完整多模态深度聚类的效率与准确性。

本发明授权基于隐表示的非完整多模态深度聚类方法、装置和计算机设备在权利要求书中公布了：1.一种基于隐表示的非完整多模态深度聚类方法，其特征在于，所述方法包括： 获取多模态数据、模态缺失指示向量以及划分类别数；所述多模态数据包括N个样本的V个模态数据；所述模态缺失指示向量用于指示样本的第v模态缺失或可见； 初始化N个样本的隐表示，利用V个神经网络分别将各样本的隐表示映射到对应模态的特征空间，得到样本各模态的重构数据表示，根据模态缺失指示向量获取各样本的缺失模态，利用缺失模态的重构数据表示对缺失模态数据进行补全，根据各样本的可见模态数据和补全后的缺失模态数据得到完整多模态数据； 对完整多模态数据中各模态数据和各样本隐表示的线性核矩阵进行核对齐，对各模态的核对齐损失进行加权融合得到数据对齐损失； 根据各重构数据表示和对应模态数据间的距离构建数据重构损失，根据所述数据重构损失和所述数据对齐损失得到总损失函数； 对所述总损失函数进行优化，利用优化后的各样本的隐表示进行聚类，得到各划分类别的数据标签； 所述根据各重构数据表示和对应模态数据间的距离构建数据重构损失包括： 根据各重构数据表示和对应模态数据间的距离构建数据重构损失为： ； 其中，为数据重构损失，为样本个数，为模态数量，为第个样本的可见模态数量，为模态缺失指示向量，为第个样本的第模态数据的重构数据表示，为第个样本的第模态数据，为欧几里得距离； 对完整多模态数据中各模态数据和各样本隐表示的线性核矩阵进行核对齐包括： 计算完整多模态数据中各样本隐表示的线性核矩阵，得到隐表示核矩阵； 计算完整多模态数据中各模态的线性核矩阵，得到各模态对应的模态核矩阵； 通过最大化隐表示核矩阵与各模态核矩阵的相似度进行核矩阵对齐； 所述重构数据表示为： ； 其中，为第个样本第模态的重构数据表示，为第个样本的隐表示，表示第个神经网络的参数。

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中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109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。