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！

龙图腾网获悉哈尔滨工程大学申请的专利一种基于变分自编码器的轴承小样本数据扩充方法及系统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：CN120180084B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202510255506.5，技术领域涉及：G06F18/213；该发明授权一种基于变分自编码器的轴承小样本数据扩充方法及系统是由苍岩;邹瑞凯;王荔岩;张轩上设计研发完成，并于2025-03-05向国家知识产权局提交的专利申请。

本一种基于变分自编码器的轴承小样本数据扩充方法及系统在说明书摘要公布了：本发明提供一种基于变分自编码器的轴承小样本数据扩充方法及系统，属于深度学习与数据增强领域。为解决传统生成模型在轴承小样本数据中存在局限性，易出现特征模糊和失真，数据集质量不佳的问题。本发明构建一个深度VAE框架，潜在空间中使用了降维、数据扩充和升维模块；采用UMAP算法对高维数据进行降维，有效保留数据的拓扑结构，提高数据特征的提取效率和质量；使用结合正则化和粒子群算法优化的混合高斯模型，拟合散乱小样本数据的分布，通过采样扩充出具有融合特征的新数据，增加了数据多样性；使用径向基函数用于非线性的数据升维，在确保新数据能精确映射回高维空间的同时也保留了特征之间的联系，再通过解码器重构具有融合特征的缺陷数据。

本发明授权一种基于变分自编码器的轴承小样本数据扩充方法及系统在权利要求书中公布了：1.一种基于变分自编码器的轴承小样本数据扩充方法，其特征在于，包括以下步骤： S100、通过编码器将输入的高维数据映射到潜在空间中，得到潜在表示； S200、数据降维，在潜在空间中，采用均匀流形近似和投影算法对数据进行降维，保持数据的拓扑结构；即通过数据降维模块对编码器生成的高维数据进行降维，保留高维特征相似性的同时，将其转换至低维空间； S300、数据扩充，利用结合正则化和粒子群算法优化的高斯混合模型对步骤S200降维后的数据进行扩充，生成新的数据点；即通过数据扩充模块在低维空间中生成新的有意义数据点，以解决数据稀缺引发的过拟合及数据分布不均带来的极端值和异常值问题； 具体包括， S310、在高斯混合模型的训练过程中，设定模型参数的起始点，包括均值、混合权重以及协方差矩阵，并在初始化协方差矩阵的同时加入微小的正则化项； 计算数据点属于各个组件的概率，即责任度表示为： 6 式中，数据点属于第个组件的责任度为，在均值和协方差矩阵下的多 元高斯分布概率密度函数为，初始的混合权重为，为高斯分量的总 数； S320、对期望步骤产生的均值进行优化，使用粒子群优化算法在参数空间中搜索最 优的均值，优化函数如下式7所示： 7 S330、通过最大化步骤，更新模型参数以最大化数据的似然，更新公式如下： 通过迭代执行期望步骤、PSO和最大化步骤，直到满足迭代终止条件，拟合出模型； S340、根据混合权重选择高斯分布，并从该分布中随机采样生成新的数据点，表示为： 使用已知的n个d维原始数据集来估计GMM的参数，随后用于生成m个插值的d维低维数据集； S400、数据升维，通过径向基函数对步骤S300扩充后的数据进行升维，使其精确映射回高维空间；即通过数据升维模块将扩充后的低维数据映射回高维空间； 具体包括， S410、计算每一个待插值的点到每一个已知的低维数据点的欧氏距离，得到一个m ×n的距离矩阵，其中，； S420、将步骤S410获得的距离矩阵送入径向基函数进行处理，得到一个m×n的权重矩 阵，其中，，为设定的形状参数； S430、对权重矩阵进行归一化处理，使得每一行的和为1，得到归一化后的权重矩阵，其中，； S440、将归一化后的权重矩阵与原始的高维数据相乘，得到最后的插值数据，表示为一个m×D的矩阵，其中，； S500、通过解码器重构出具有融合特征的高质量缺陷数据。

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哈尔滨工程大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区南通大街145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。