買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉華僑大學(xué)申請(qǐng)的專利偏多標(biāo)簽特征選擇方法、裝置、設(shè)備和介質(zhì)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN119312070B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-03-25發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202411855277.2，技術(shù)領(lǐng)域涉及：G06F18/2113；該發(fā)明授權(quán)偏多標(biāo)簽特征選擇方法、裝置、設(shè)備和介質(zhì)是由劉景華;黃姝琦;張洪博;緱錦設(shè)計(jì)研發(fā)完成，并于2024-12-17向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本偏多標(biāo)簽特征選擇方法、裝置、設(shè)備和介質(zhì)在說明書摘要公布了：本發(fā)明提供一種偏多標(biāo)簽特征選擇方法、裝置、設(shè)備和介質(zhì)，涉及數(shù)據(jù)預(yù)處理技術(shù)領(lǐng)域。方法包含S1、獲取偏多標(biāo)簽的原始訓(xùn)練數(shù)據(jù)集，并根據(jù)原始訓(xùn)練數(shù)據(jù)集，初始化標(biāo)簽置信度矩陣，以及構(gòu)建標(biāo)簽的分布區(qū)域。S2、根據(jù)近鄰的分布，更新標(biāo)簽置信度矩陣，對(duì)不可信標(biāo)簽的分布區(qū)域進(jìn)行消歧，以及對(duì)不確定標(biāo)簽的分布區(qū)域進(jìn)行迭代更新，直至達(dá)到最大迭代次數(shù)，獲取消歧后的標(biāo)簽。S3、根據(jù)消歧后的標(biāo)簽，結(jié)合粒度計(jì)算與圖論，將標(biāo)簽從細(xì)粒度聚合到粗粒度，并構(gòu)造虛擬粗粒度標(biāo)簽。S4、根據(jù)虛擬粗粒度標(biāo)簽，結(jié)合從樣本數(shù)據(jù)中獲取的多個(gè)特征，構(gòu)建適用于偏多標(biāo)記數(shù)據(jù)的鄰域粗糙集模型，并采用前向貪婪搜索算法選擇重要性最高的特征。

本發(fā)明授權(quán)偏多標(biāo)簽特征選擇方法、裝置、設(shè)備和介質(zhì)在權(quán)利要求書中公布了：1.一種偏多標(biāo)簽特征選擇方法，其特征在于，包含：獲取偏多標(biāo)簽的原始訓(xùn)練數(shù)據(jù)集，并根據(jù)原始訓(xùn)練數(shù)據(jù)集，初始化標(biāo)簽置信度矩陣，以及構(gòu)建可信標(biāo)簽、不可信標(biāo)簽與不確定標(biāo)簽的分布區(qū)域；根據(jù)近鄰的分布，更新標(biāo)簽置信度矩陣，對(duì)不可信標(biāo)簽的分布區(qū)域進(jìn)行消歧，以及對(duì)不確定標(biāo)簽的分布區(qū)域進(jìn)行迭代更新，直至達(dá)到最大迭代次數(shù)，獲取消歧后的標(biāo)簽；根據(jù)消歧后的標(biāo)簽，結(jié)合粒度計(jì)算與圖論，將標(biāo)簽從細(xì)粒度聚合到粗粒度，并構(gòu)造虛擬粗粒度標(biāo)簽；根據(jù)所述虛擬粗粒度標(biāo)簽，結(jié)合從樣本數(shù)據(jù)中獲取的多個(gè)特征，構(gòu)建適用于偏多標(biāo)記數(shù)據(jù)的鄰域粗糙集模型，并采用前向貪婪搜索算法選擇重要性最高的特征；獲取偏多標(biāo)簽的原始訓(xùn)練數(shù)據(jù)集，并根據(jù)原始訓(xùn)練數(shù)據(jù)集，初始化標(biāo)簽置信度矩陣，以及構(gòu)建可信標(biāo)簽、不可信標(biāo)簽與不確定標(biāo)簽的分布區(qū)域，具體包括：獲取偏多標(biāo)簽的原始訓(xùn)練數(shù)據(jù)集；根據(jù)所述原始訓(xùn)練數(shù)據(jù)集，構(gòu)建在候選標(biāo)簽集上均勻分布的標(biāo)簽置信度矩陣； ； ；式中，表示第個(gè)樣本數(shù)據(jù)的第個(gè)標(biāo)簽的均勻分布的標(biāo)簽置信度、為樣本數(shù)據(jù)的數(shù)量、為標(biāo)簽的數(shù)量、為樣本數(shù)據(jù)的候選標(biāo)簽集；使用桶式KD-Tree算法有效搜索樣本數(shù)據(jù)的個(gè)近鄰； ；式中，表示樣本數(shù)據(jù)的個(gè)近鄰、表示樣本數(shù)據(jù)的近鄰、表示樣本數(shù)據(jù)的第個(gè)近鄰、表示樣本空間；根據(jù)所述個(gè)近鄰，獲取概率矩陣； ； ；式中，為第個(gè)樣本數(shù)據(jù)的第個(gè)標(biāo)簽的概率、表示樣本數(shù)據(jù)的個(gè)近鄰、代表原始噪聲標(biāo)簽上的正例集合、表示集合的元素個(gè)數(shù)、是為避免出現(xiàn)零概率情況的平滑參數(shù)、表示每個(gè)標(biāo)簽對(duì)應(yīng)的類數(shù)；根據(jù)所述標(biāo)簽置信度矩陣和所述概率矩陣，初始化標(biāo)簽置信度矩陣；根據(jù)初始化后的標(biāo)簽置信度矩陣，基于“準(zhǔn)則”將候選標(biāo)簽劃分為3個(gè)不相交的區(qū)域，獲取消歧標(biāo)簽置信度矩陣；其中，3個(gè)不相交的區(qū)域分別為可信標(biāo)簽區(qū)域、不可信標(biāo)簽區(qū)域和不確定標(biāo)簽區(qū)域；根據(jù)消歧后的標(biāo)簽，結(jié)合粒度計(jì)算與圖論，將標(biāo)簽從細(xì)粒度聚合到粗粒度，并構(gòu)造虛擬粗粒度標(biāo)簽，具體包括：根據(jù)消歧后的標(biāo)簽，取標(biāo)簽和作為頂點(diǎn)，建立一個(gè)完全無向圖；其中，，是頂點(diǎn)的集合，是邊集合；定義標(biāo)簽和連接的邊的權(quán)重為標(biāo)簽不相似性； ；式中，是在可信標(biāo)簽誘導(dǎo)階段完成后生成的消歧標(biāo)簽的正例集合，是在可信標(biāo)簽誘導(dǎo)階段完成迭代后標(biāo)簽的正例集合；根據(jù)所述完全無向圖，先使用Prim算法構(gòu)造最小生成樹，然后去除部分邊將最小生成樹劃分為多個(gè)子樹；移除邊的閾值為： ；式中，為標(biāo)簽的數(shù)量；將每個(gè)子樹視為一個(gè)由多個(gè)細(xì)粒度標(biāo)簽聚合而成的粗粒度標(biāo)簽，根據(jù)粗粒度標(biāo)簽內(nèi)標(biāo)簽的共現(xiàn)頻率，將細(xì)粒度標(biāo)簽的值聚合成一個(gè)新的粗粒度標(biāo)簽，獲取虛擬粗粒度標(biāo)簽；虛擬粗粒度標(biāo)簽下的值為： ；式中，為樣本數(shù)據(jù)的第個(gè)標(biāo)簽、是一個(gè)由一個(gè)或多個(gè)標(biāo)簽組成的粗粒度標(biāo)簽、表示內(nèi)的標(biāo)簽個(gè)數(shù)、表示標(biāo)簽下樣本的值、ξ為用以控制實(shí)例是否屬于虛擬粗粒度標(biāo)簽的參數(shù)、表示如果條件滿足則返回1，否則返回0。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人華僑大學(xué)，其通訊地址為：362000 福建省泉州市豐澤區(qū)城華北路269號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。