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！

龙图腾网获悉中国电子口岸数据中心成都分中心;西南交通大学;成都海关技术中心申请的专利一种基于深度半监督学习框架的高维稀疏图像表征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：CN116452824B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202310422895.7，技术领域涉及：G06V10/44；该发明授权一种基于深度半监督学习框架的高维稀疏图像表征方法是由余华;单骏鹏;胡江涛;储节磊;周图南;刘苏锐;向导;肖宇;游泽青设计研发完成，并于2023-04-19向国家知识产权局提交的专利申请。

本一种基于深度半监督学习框架的高维稀疏图像表征方法在说明书摘要公布了：本发明公开了一种基于深度半监督学习框架的高维稀疏图像表征方法，包括以下步骤：1初始化Semi‑DRRBM模型参数θ；2通过获取样本隐藏层特征；3使用重构可见层数据；4使用获得样本重建的隐藏层特征；5计算Hθ；G和H'θ；G'的偏导数；6将前面的隐藏层数据h以及可视层数据v，重建的隐藏层数据h’以及可视层数据v’，以及第i次计算时得到的参数得到本次计算的7当通过步骤6获得新的参数θ后，将其作为新的输入，再次进行2‑6步骤迭代；8返回Semi‑DRRBM模型的参数θ，将其带入值Semi‑DRRBMRBM模型中可完成降维。本发明能够在高维和稀疏的数据集上提取低维和密集的隐藏特征。

本发明授权一种基于深度半监督学习框架的高维稀疏图像表征方法在权利要求书中公布了：1.一种基于深度半监督学习框架的高维稀疏图像表征方法，其特征在于，包括以下步骤： semi-DRRBM目标函数的输入为： 是可见高维层的监督信息，其中是semi-DRRBM模型的可见层向量，N表示所有实例的数量，每个可见层向量都有一个低维隐藏特征，然后在训练过程中用一步Gibbs采样重建高维向量，是的低维隐藏特征，是重建的高维向量集； 1）初始化；semi-DRRBM的目标函数定义如下： （公式1） ，用于根据本算法更新其数值，其中W=wj,i∈RN×N表示隐藏层与可见层之间的连接权重矢量，b为可见层偏置矢量，a为隐藏层的偏置矢量，i，j代表一个任取或者指定的自然数，作为下标时表示在数组中的位置，ξ∈0,1表示调节参数，，是RBM模型的能量函数，，σ是一个logisticsigmoid函数，N表示所有实例的数量，D代表原始数据集； 代表的是可见层向量，每个可见层向量都有一个低维隐藏特征，然后在训练过程中用一步Gibbs采样重建高维向量，是的低维隐藏特征，其中的下标k表示向量包含的数组大小，使用别的下标时v，v’，h，h’的含义相同，下标p，q以及下标m，n的关系如下所述： 设∀和∀同时属于第k个簇，k=1,2,...,K,K表示簇总数，所有这些无序二元组（，）构成了一个内部簇集I，|I|表示I的大小； ∀和∀分别属于第i个和第j个簇（i≠j），所有无序二元组，构成一个内簇集合O，|O|表示O的大小； 同时∀和∀具有一对一的映射和，（，）构成一个集合I’，|I’|表示I’的大小； ∀和∀ 具有一对一的映射和，（，）构成一个集合O’，|O’|表示O’的大小； 2）通过获取样本隐藏层特征； 3）使用重构可见层数据； 4）使用获得样本重建的隐藏层特征； 5）计算的偏导数； 6）将前面的隐藏层数据h以及可视层数据v，以及重建的隐藏层数据h’以及可视层数据v’，以及第i次计算时得到的参数，计算得到本次计算的； 7）当通过步骤6获得新的参数后，将其作为新的输入，再次进行2-6步骤，迭代到最大值，或者是重复到指定的次数停止，或者小于人为规定的某一误差而停止； 8）返回：Semi-DRRBM模型的参数，将其带入值Semi-DRRBM模型中可完成降维。

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电子口岸数据中心成都分中心;西南交通大学;成都海关技术中心，其通讯地址为：610095 四川省成都市天顺中街66号1609室；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”。