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！

龙图腾网获悉山东大学申请的专利基于弱监督学习的可解释多聚类方法及系统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：CN119740060B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202411812139.6，技术领域涉及：G06F18/23213；该发明授权基于弱监督学习的可解释多聚类方法及系统是由余国先;任良瑞;王峻设计研发完成，并于2024-12-10向国家知识产权局提交的专利申请。

本基于弱监督学习的可解释多聚类方法及系统在说明书摘要公布了：本发明属于数据挖掘分类及可解释人工智能技术领域，提供了基于弱监督学习的可解释多聚类方法及系统，其技术方案为利用多个并行的深度神经网络实现数据投影，增强了特征子空间的非线性表示能力，并行结构在一定程度上也可以保证特征子空间与多聚类的多样性；本发明将表征不同聚类模式的弱监督先验知识嵌入到并行的特征子空间，增强了子空间的显著性和可解释能力，有助于提高多聚类的质量；本发明利用冗余控制约束降低了子空间之间的相似性，进一步提高了多聚类的多样性；本发明通过弱监督先验知识建立子空间与特定聚类模式的关联，不同的子空间表征了不同视角的聚类模式，提升了多聚类的可解释性。

本发明授权基于弱监督学习的可解释多聚类方法及系统在权利要求书中公布了：1.基于弱监督学习的可解释多聚类方法，其特征在于，包括如下步骤： 获取原始数据集，对数据进行数值化向量表示，得到数据的表示矩阵； 将数据的表示矩阵分别投影到不同非线性特征子空间得到对应子空间的特征，并计算重构损失； 基于原始数据集构建样本特征标注集合，基于样本特征标注集合构建聚类约束矩阵，基于聚类约束矩阵计算非线性特征子空间的聚类约束损失； 计算非线性特征子空间的差异性约束损失，非线性特征子空间的差异性约束损失的计算公式为： 其中，表示H个特征子空间的差异性约束损失之和，和分别表示两个并行的子空间且，表示一个正交单位矩阵； 基于重构损失、聚类约束损失和差异性约束损失构建目标函数，确定优化后的特征子空间集合； 将优化后的特征子空间集合进行K均值聚类，得到符合弱监督先验知识的多聚类结果； 利用多个并行的深度神经网络将原始的高维数据分别投影到不同的非线性特征子空间，得到对应子空间的数据特征; 原始数据集包括文本数据集和图像数据集，对于文本数据，首先去除方差小于设定方差值的单词，然后利用word2vec将文本数据转换为向量化的文本表示矩阵；对于图像数据，利用image2vec将原始彩色图像向量化为图像表示矩阵，随后进一步归一化消除量纲影响。

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山东大学，其通讯地址为：250101 山东省济南市高新区舜华路1500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。