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！

龙图腾网获悉内蒙古工业大学申请的专利一种针对聚类信息嘈杂问题的无监督多视图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：CN119068224B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202411137936.9，技术领域涉及：G06V10/762；该发明授权一种针对聚类信息嘈杂问题的无监督多视图聚类方法是由云静;刘雪颖;李博;许志伟设计研发完成，并于2024-08-19向国家知识产权局提交的专利申请。

本一种针对聚类信息嘈杂问题的无监督多视图聚类方法在说明书摘要公布了：一种针对聚类信息嘈杂问题的无监督多视图聚类方法，对多视图数据进行特征处理，保持特征空间的特征向量一致；建立解耦变分自编码器，并使用正则化约束的损失函数，对每张视图进行特征提取，得到每张视图的私有信息和共享信息；定义解耦变分自解码器的重构损失函数，利用解耦变分自编码器输出每张视图的私有信息和共享信息之间的对应关系，确保私有信息和共享信息的分隔一致性，并设置重构损失和对比损失的双重一致性约束，通过对比学习增强不同潜在特征区分度；最后使用重构优化后的特征信息进行无监督多视图聚类。本发明结合每张视图的私有信息和共享信息，设计双重一致性约束优化DVAE模型，提高了聚类效果的准确性和鲁棒性。

本发明授权一种针对聚类信息嘈杂问题的无监督多视图聚类方法在权利要求书中公布了：1.一种针对聚类信息嘈杂问题的无监督多视图聚类方法，其特征在于，包括如下步骤： 步骤1，对多视图数据进行特征处理，保持特征空间的特征向量一致；所述多视图数据是来自多个不同的视角捕获的不同对象的图像； 步骤2，建立解耦变分自编码器，并使用正则化约束的损失函数，对步骤1处理后的每张视图进行特征提取，得到每张视图的私有信息和共享信息，即潜在特征向量；所述私有信息是某一视图独有的特征，所述共享信息是所有视图中均存在的特征； 步骤3，定义解耦变分自解码器的重构损失函数，利用解耦变分自编码器输出每张视图的私有信息和共享信息之间的对应关系，确保私有信息和共享信息的分隔一致性；并结合避免平凡解，设置重构损失和对比损失的双重一致性约束，通过对比学习增强不同潜在特征区分度； 步骤4，使用解耦变分自解码器重构优化后的特征信息进行无监督多视图聚类； 其中： 所述解耦变分自编码器与解耦变分自解码器均遵循高斯分布，二者构成DAVE模型，解耦变分自编码器使用先验分布作为输入，输出为，其中，z为潜在特征向量，x为视图，所述正则化项约束通过KL散度实现，表示为： 其中，和分别是第i个潜在特征向量对应的均值和标准差，确保私有信息和共享信息的后验分布即接近先验分布，是视图数量，约束的目标是使得每个特征的信息尽可能独立，即减少特征之间的相关性，提高模型的解耦能力； 所述步骤3，重构损失函数表示如下： 其中和分别表示利用解耦变分自编码器和解耦变分解码器对第个视图进行编码和解码，表示视图特征的私有和共享信息集合，N为视图的数量； 所述步骤3，在DAVE模型中输入的所有视图的特征变量中，通过解耦变分自编码器结合对抗网络提取各视图的潜在特征向量，通过最大化互信息的下界表示对比学习不同视图的潜在特征向量，同时最小化私有信息和共享信息的相似性，表示为： 式中，表示互信息，描述两个潜在特征变量之间的相关程度，值越高说明两者越相关，表示熵，描述一个随机特征变量的不确定性，值越高说明该随机变量的取值越不确定，是一个权重参数，和分别代表两个视图的潜在特征变量；对比学习的目标是最大化两个潜在特征变量之间的互信息，同时最小化它们各自的熵。

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内蒙古工业大学，其通讯地址为：010080 内蒙古自治区呼和浩特市土默特左旗内蒙古工业大学金川校区；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。