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！

龙图腾网获悉福建师范大学申请的专利基于卷积自编码器和知识蒸馏的多视图癌症亚型数据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：CN119252497B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411301630.2，技术领域涉及：G16H50/70；该发明授权基于卷积自编码器和知识蒸馏的多视图癌症亚型数据聚类方法是由许力;林贤龙;汪晓丁;李家印设计研发完成，并于2024-09-18向国家知识产权局提交的专利申请。

本基于卷积自编码器和知识蒸馏的多视图癌症亚型数据聚类方法在说明书摘要公布了：本发明涉及一种基于卷积自编码器和知识蒸馏的多视图癌症亚型数据聚类方法，属于机器学习领域。该方法包括：使用皮尔逊相关系数对多组学数据的特征进行重新排列，减少数据的冗余性并提高特征的代表性。将重新排列后的多组学数据输入卷积自编码器模型，训练教师模型以捕捉数据的高维结构和特征。使用知识蒸馏算法将教师模型中的知识传递给一个较轻量级的学生模型，通过优化损失函数包括重建误差和蒸馏损失来训练学生模型。基于训练好的学生模型，使用KL散度对多视图癌症亚型数据进行聚类分析，得到最终的聚类结果。

本发明授权基于卷积自编码器和知识蒸馏的多视图癌症亚型数据聚类方法在权利要求书中公布了：1.一种基于卷积自编码器和知识蒸馏的多视图癌症亚型数据聚类方法，其特征在于，包括： S1、使用Pearson相关系数，对多组学数据的特征进行重新排列； S2、将重新排列后的多组学数据输入卷积自编码器，作为教师模型；特征合并后使用知识蒸馏算法将教师模型中的知识传递给学生模型； S3、基于训练好的学生模型，使用KL散度对多视图癌症亚型数据进行聚类分析，得到最终的聚类结果； 所述卷积自编码器，构建过程如下： 1构建卷积自编码器模型，包括编码器和解码器部分；编码器将输入数据投影到低维的潜在表示空间，解码器则从潜在表示中重建原始输入数据； 2使用多组学数据训练卷积自编码器模型，优化模型参数以最小化重建误差； 编码器：利用一维卷积层提取输入数据的特征表示，每个卷积层后跟随一个激活函数和池化层以减少特征图的尺寸并增加非线性，卷积层通过卷积操作提取局部特征，生成特征图； hl＝fWl*hl-1+bl 其中： hl是第l层的输出特征图，Wl是第l层的卷积核，bl是第l层的偏置项；*表示卷积操作，f是激活函数； 激活函数引入非线性特性，使模型能够学习到更复杂的特征； ReLUx＝max0,x 池化层通过降采样减少特征图的空间尺寸，保留重要特征，同时减少计算量； MaxPoolingX＝maxkernelX 经过若干次卷积和池化操作，得到编码后的低维特征表示Z； 解码器：利用一维反卷积层将低维特征表示还原为原始输入数据；每个反卷积层后跟随一个激活函数以增加非线性并恢复数据，反卷积层通过转置卷积操作将低维特征图恢复到高维空间； 其中，是第l-1层的输出解码后的特征图，是第l层卷积核的转置，bl是第l层的偏置项，*表示卷积操作，g是激活函数； 激活函数引入非线性特性，使模型能够更准确地重建数据； ReLUx＝max0,x 重建损失函数定义如下： 其中，x是输入数据，x′是重建数据，n是样本数，Fw表示编码器，Gw'表示解码器，xi表示输入特征； 通过最小化重建损失函数，优化卷积自编码器的参数，使模型能够有效地重建输入数据，实现数据的高效压缩和还原。

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福建师范大学，其通讯地址为：350117 福建省福州市闽侯县上街镇学府南路8号福建师范大学旗山校区；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。