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！

龙图腾网获悉东南大学申请的专利一种基于最大化间隔机制的含噪多标记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：CN114818979B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202210576145.0，技术领域涉及：G06F18/2411；该发明授权一种基于最大化间隔机制的含噪多标记分类方法是由张敏灵;朱雅婷;杨浩设计研发完成，并于2022-05-25向国家知识产权局提交的专利申请。

本一种基于最大化间隔机制的含噪多标记分类方法在说明书摘要公布了：本发明提出了一种基于最大化间隔机制的含噪多标记分类方法，该方法适用于标记空间含有噪声的多标记数据分类场景。该方法包括以下步骤：1用户在保证完全获得真实标记的前提下收集多标记数据；2使用标记置信度来表示标记信息，为每个标记初始化置信度值；3将含噪多标记分类问题转换成经验损失、铰链损失与置信度约束最小化的凸优化问题，求得凸优化问题的最优解生成多标记分类模型；4根据训练得到的分类模型对未见示例进行预测，得到每个类别的分类结果；5如果用户对预测结果满意，则结束，否则转到步骤2，为每个标记重新初始化置信度值。

本发明授权一种基于最大化间隔机制的含噪多标记分类方法在权利要求书中公布了：1.一种基于最大化间隔机制的含噪多标记分类方法，其特征在于：该方法包括以下步骤： 步骤1用户在保证完全获得真实标记的前提下收集多标记数据； 步骤2使用标记置信度来表示标记信息，为每个标记初始化置信度值；所述步骤2具体包括： 假设表示d维的示例空间，Y＝{y1,y2,…,yq}表示含有q个类别的标记空间；给定含噪多标记数据集D＝{x1,S1,x2,S2,…,xm,Sm}，包含m个示例的，其中为d维的属性向量，而为与示例xi对应的一组候选标记集合；此外，表示与示例xi对应的一组非候选标记集合；Yi为示例xi的真实标记集合； 为了更好的区别候选标记集合中的真实标记与噪声标记，定义置信度θij表示标记yj能成为示例xi的真实标记的可能性，θij越大表示标记yj为示例xi的真实标记的可能性越大；当θij＝1时表示标记yj是示例xi的真实标记，当θij＝0时表示标记yj是示例xi的不相关标记；显然，当时，θij＝0，即与示例xi对应的非候选标记集合中的所有标记均为该示例的不相关标记； 因此，初始化标记置信度时，当yj∈Si时，当时，θij＝0； 步骤3将含噪多标记分类问题转换成经验损失、铰链损失与置信度约束最小化的凸优化问题，求得凸优化问题的最优解生成多标记分类模型；步骤3具体包括： 为标记空间Y中每个标记yp分别学习一个线性分类器fpxi＝ωp,xi+bp，其中ωp∈Rd为线性分类器的权重向量，bp∈R为线性分类器的偏置；对此，将含噪多标记分类问题转换成经验损失、铰链损失与置信度约束最小化的凸优化问题，目标函数如下所示： 上式中第一项为模型的结构损失函数，通过此项约束模型自身的复杂度，从一定程度上防止模型过拟合；第二项为模型的经验损失函数，优化此损失函数让模型拟合训练样本，防止模型发生欠拟合的问题；其中ξik为松弛变量，用于度量样本违背约束的程度，当样本违背约束的程度越大，松弛变量的值也会越大；ξik是通过示例xi非候选标记集合中的标记yk学习得到的松弛变量，如式2所示；考虑到样本具有多义性，为了保证模型对标记置信度学习的公平性，第三项中对置信度加以约束； 公式1的目标是最小化模型的损失误差，包括模型的结构损失、经验损失以及对置信度值的约束；由于公式中需要学习的变量较多，采取交替迭代优化策略；将优化分为两个阶段，第一阶段中固定置信度θ求解模型权重ω和偏置b，第二阶段中固定模型权重ω和偏置b求解置信度θ，每个阶段中各利用二次规划工具包求解； 其中3.1第一阶段：当置信度θ固定时，公式1的优化目标如下： 构造公式3的拉格朗日函数如下： 上式中αik≥0,βik≥0； 对公式4分别关于ωp，bp,ξik求导并令导数为0可得如下公式： C＝αik+βik7 上式中为指示函数，当·为真时指示函数取值为1，否则取值为0；将公式5-7带入公式4可得原问题的对偶问题的优化目标如下所示： 3.2第二阶段：当模型权重ω和偏置b固定时，公式1的优化目标如下： 步骤4根据训练得到的分类模型对未见示例进行预测，得到每个类别的分类结果； 步骤5如果用户对预测结果满意，则结束，否则转到步骤2，为每个标记重新初始化置信度值。

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东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼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”。