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！

龙图腾网获悉华中科技大学申请的专利一种基于贪心学习高斯混合模型的时序数据随机模拟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：CN120611537B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202511105749.7，技术领域涉及：G06F30/20；该发明授权一种基于贪心学习高斯混合模型的时序数据随机模拟方法是由刘梓轩;莫莉;韩裕亮;鲍润罡;孙旭彤;张咪;黄昊东;刘万;效文静;朱书理;黄珊珊设计研发完成，并于2025-08-08向国家知识产权局提交的专利申请。

本一种基于贪心学习高斯混合模型的时序数据随机模拟方法在说明书摘要公布了：本发明属于数据建模与随机模拟相关技术领域，并公开了一种基于贪心学习高斯混合模型的时序数据随机模拟方法。该方法包括下列步骤：S1构建包含K个高斯分量的高斯混合模型并初始化所述高斯分量的参数集；S2将二维向量划分为与高斯分量一一对应的K个不相交的一代子集；对于任意的一代子集，在该子集中随机选择两个数据点，利用该两个数据点将所述子集划分为两个不相交的二代子集，分别计算各个二代子集的参数集，所述二代子集作为候选分量；对所述候选分量进行局部和全局优化；S3K=K+1，返回步骤S2，直至满足终止条件，以此获得的高斯混合模型为最优的高斯混合模型。通过本发明，解决现有随机模拟方法模拟精度不高的问题。

本发明授权一种基于贪心学习高斯混合模型的时序数据随机模拟方法在权利要求书中公布了：1.一种基于贪心学习高斯混合模型构建方法，其特征在于，该方法包括下列步骤： S1利用待处理数据构建与该待处理数据各个时刻对应的二维向量，对每个时刻的二维向量构建与该二维向量对应的包含K个高斯分量的高斯混合模型，并初始化该高斯混合模型的参数集；所述待处理数据为水文站的月尺度、旬尺度、日尺度历史径流时序数据； S2将所述二维向量划分为与所述高斯分量一一对应的K个不相交的一代子集；对于任意的一代子集Ak，在该子集中随机选择两个数据点，利用该两个数据点将所述子集Ak划分为两个不相交的二代子集，分别计算各个二代子集的参数集，所述二代子集作为候选分量； 对所述候选分量进行筛选获得筛选后的候选分量； 计算任意筛选后的候选分量与所述K个高斯分量形成的包含K+1个高斯分量的高斯混合模型的对数似然函数，对数似然函数最大值对应的K+1个的高斯混合模型作为新的高斯混合模型，更新该新的高斯混合模型的参数集； S3K=K+1，返回步骤S2，直至满足终止条件，以此获得的高斯混合模型为最优的高斯混合模型； 对所述候选分量进行筛选的步骤如下： 1对候选分量进行初步筛选；该初步筛选的条件为所述候选分量中元素的数量或者候选分量的混合权重大于或等于预设阈值； 2更新初步筛选获得的候选分量的参数集直至满足预设条件； 3对更新后的候选分量进一步筛选，保留满足筛选条件的候选分量；进一步筛选的条件为更新后的候选分量的权重大于或等于预设的分量权重阈值； 所述更新初步筛选获得的候选分量的参数集的公式如下： 其中，是GMM的第K+1个高斯分量的混合权重；表示候选分量的混合权重；是第K+1个分量的均值向量，是第K+1个分量的协方差矩阵；K+1是新增候选分量后模型的高斯分量总数量；为样本数据点xi对第K+1个分量的隐变量，表示xi是否属于第K+1个分量；为隐变量的后验概率，表示第K+1个分量对xi的响应度；为一代子集Ak中数据点的数量；为原K分量高斯混合模型的概率密度函数。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037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”。

以上内容由龙图腾AI智能生成。