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！

龙图腾网获悉西安电子科技大学申请的专利基于多路径特征选择的高维生物医学数据分层分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：CN116363413B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202310139809.1，技术领域涉及：G06V10/764；该发明授权基于多路径特征选择的高维生物医学数据分层分类方法是由杜建超;王燕宁;赵梦楠;石磊;陈天艳;周云设计研发完成，并于2023-02-20向国家知识产权局提交的专利申请。

本基于多路径特征选择的高维生物医学数据分层分类方法在说明书摘要公布了：本发明提出了一种基于多路径特征选择的高维生物医学数据分层分类方法，主要解决现有方法对高维生物医学数据分类准确率低的问题。其实现方案为：获取高维生物医学数据集进行填充、编码及标准化的预处理并划分；根据医学的病因分类体系形成数据集的树状层次结构；基于L1,2范数正则化在树状层次结构中进行分层特征选择；选用现有的逻辑回归分类器作为层次结构中的分类器并对其进行训练；将测试集样本输入到训练好的层次结构分类器进行分类预测并输出。本发明降低了建模的难度，能有效去除冗余特征，提高计算效率，且缓解了现有分层分类方法固有的层间错误传播，提高了高维生物医学数据的分类准确率，可用于为医疗上的疾病诊断提供参考依据。

本发明授权基于多路径特征选择的高维生物医学数据分层分类方法在权利要求书中公布了：1.一种基于多路径特征选择的高维生物医学数据分层分类方法，其特征在于，包括如下步骤： 1获取公开高维生物医学数据或与合作医院资料整理的医学数据集，对其依次进行缺失值填充、编码及标准化的预处理，以形成标准数据，并将其按照9：1的比例将其分为训练集和测试集； 2根据医学的病因分类体系形成数据集的树状层次结构； 3基于L1,2范数正则化在树状层次结构的每一层进行分层特征选择： 3a设每个粒度层的权重矩阵ωi为其两个分量Wi与Di之和： ωij＝wij+dij 其中，i＝1，2，...,l，l为树状层次结构的层数，j＝1，2，...,mi，mi为第i层粒度层类别数量,n为样本特征维数，ωij为权重矩阵ωi的第j个类别向量，wij为权重矩阵ωi拆解的Wi矩阵的第j个类别向量，dij为权重矩阵ωi拆解的Wi矩阵的第j个类别向量； 3b将ωi、Wi和Di这三个参数代入稀疏表示模型的特征选择算法中，得到关于Wi,Di需要优化的最小化损失函数JWi,Di： 其中为第i层属于第j类的样本矩阵，对应的权重向量为ωij，为样本矩阵的样本数量，为样本矩阵对应的类别标签，||||1,2是指L1,2范数，λ1，λ2为控制正则化的非负参数； 3c使用加速梯度下降法对最小化损失函数JWi,Di进行迭代求解，直到JWi,Di收敛，得到在k次迭代下的最优解 3d将k次迭代产生的最优解进行相加，得到最优权重矩阵ωi*，并对ωi*的各元素值进行排序，根据排序顺序选取对应的前N个特征作为树状层次结构每一层选定的N个特征； 4选用现有的逻辑回归分类器作为层次结构中的分类器并对其进行训练； 4a将训练集根据其树状层次结构，在每一层选出步骤3d所选定的N个特征，用这些特征构成训练集的特征子集； 4b利用训练集子集通过梯度下降法迭代更新逻辑回归分类器中的两个参数和偏差直到其的损失函数趋于收敛，得到训练好的逻辑回归分类器模型，其中是样本数据属于第i层第j类的特征权重，表示第i层第j类的偏差； 5对测试集待分类的医学数据样本进行分类预测并输出： 5a将测试集样本输入到训练好的层次结构分类器，得到测试样本属于层次结构第i层第j个类别的概率 其中，T表示对的转置；是测试样本数据属于第i层第j类的特征权重，表示测试样本数据属于第i层第j类的偏差，这两个值与训练样本训练得到的和相等； 5b依次在每一层上按照类别概率值大小选取前k个预选类，直到获得树状层次结构中最下层的叶子节点层中前k个预选类； 5c在叶子层的k个预选类中使用SVM分类器，输出测试样本的最终所属类别。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。