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！

龙图腾网获悉绥化学院申请的专利一种基于贝叶斯线性回归的超参数优化EM算法的图像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：CN118968521B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202410956255.9，技术领域涉及：G06V30/19；该发明授权一种基于贝叶斯线性回归的超参数优化EM算法的图像分类方法是由邹大伟;王鹏;耿艳秋;张艳鹏设计研发完成，并于2024-07-17向国家知识产权局提交的专利申请。

本一种基于贝叶斯线性回归的超参数优化EM算法的图像分类方法在说明书摘要公布了：本发明提出一种基于贝叶斯线性回归的超参数优化EM算法的图像分类方法，所述方法包括以下步骤：步骤1，得到对数边缘似然函数；步骤2、将参数权重w看作隐变量，推导超参数α,β,γ的EM算法；步骤3、将超参数优化的EM算法应用到MNIST经典手写数字库图像识别。对于MNIST经典手写数字库，经过本发明所述方法超参数优化后的回归分析模型，然后应用多类逻辑回归对图像测试集进行分类与识别，从效果上看，分类更加准确，具有更好的泛化能力。

本发明授权一种基于贝叶斯线性回归的超参数优化EM算法的图像分类方法在权利要求书中公布了：1.一种基于贝叶斯线性回归的超参数优化EM算法的图像分类方法，其特征在于：所述方法包括以下步骤： 步骤1、得到对数边缘似然函数； 步骤2、将参数权重看作隐变量，推导超参数的EM算法； 步骤3、将超参数优化的EM算法应用到MNIST经典手写数字库图像识别； 所述步骤1具体为： 1定义权重的先验是高斯分布； 2定义线性回归模型； 3得到似然函数； 4证明权重的后验分布也是高斯分布； 5利用似然函数与权重参数的高斯先验的乘积对权重参数做积分，得到边缘似然函数，也就是证据函数，同时得到对数边缘似然函数； 所述权重的高斯先验定义为： ,1 其中，是超参数并且对应参数的精度，，是超参数并且对应参数的均值； 所述线性回归模型定义为： 线性回归模型被定义输入变量的非线性函数的线性组合，其形式为 ,2 其中是基函数，被称为偏差参数，定义并且得到 ,3 其中，； 所述似然函数推导过程为： 目标变量由具有高斯噪声的确定性函数所定义 ,4 其中是均值为零、精度为的高斯随机变量，由此得到 5 一个输入数据集和其对应的目标向量，其中的数据点是独立地从高斯分布5中采样的，由此可以得到以下似然函数 ，6 所述证明权重的后验分布也是高斯分布的证明过程为： 因为6是二次函数的指数形式，所以对应的共轭先验定义为 ，7 从6与7，获得后验分布如下 ,8 这里 ,9 ,10 其中是矩阵,它的元素被定义为,满足 11 由6,可得 12 由1,可得 13 权重的后验分布也是高斯分布，有以下形式 ,14 这里均值与协方差为 ,15 ,16 其中； 所述利用似然函数与权重参数的高斯先验的乘积对权重参数做积分，得到边缘似然函数，也就是证据函数，同时得到对数边缘似然函数的具体推导过程为： 首先对权重参数积分得到边缘似然函数，也即证据函数 ，17 把12与13带入到17,可得 ,18 这里定义 ，19 的梯度为 ,20 21 让 ,22 同时利用15与22,可得的驻点为 23 利用21与23,可得 ，24 这里 ，25 把24带入18得 ,26 这里 由26,对数边缘似然函数为 所述步骤2具体为： 上的联合分布等于似然函数与权重先验概率的乘积，即 ； ②将参数权重看作隐变量，对与上的联合分布关于积分，从而得到对数边缘似然函数 ； ③对数似然函数最大化； ④得到EM算法的E步与M步与仿真结果； 所述步骤3具体为： 170000张手写数字0到9图像中的每张图像都是个像素点，把每一张图像的灰度数据转成一个的一维向量存储起来； 2确定每一张0到9图像的特征，得到目标变量； 3对训练集，应用EM算法进行超参数优化； 4对训练集，应用最小二乘法对权重参数进行优化，确定权重参数的值； 5对优化后的超参数与权重参数的回归分析模型，再应用多类逻辑回归对10000张测试集的数字0到9的图像进行识别与分类。

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绥化学院，其通讯地址为：152001 黑龙江省绥化市北林区西直南路18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。