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！

龙图腾网获悉广东技术师范大学申请的专利基于情感一致性蒸馏与信息瓶颈的多模态情感分析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：CN120561727B 。

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：202510646624.9，技术领域涉及：G06F18/2415；该发明授权基于情感一致性蒸馏与信息瓶颈的多模态情感分析方法是由许春林;李尔冰;李辉辉;刘晓勇;陈蔚琦设计研发完成，并于2025-05-20向国家知识产权局提交的专利申请。

本基于情感一致性蒸馏与信息瓶颈的多模态情感分析方法在说明书摘要公布了：本发明公开了基于情感一致性蒸馏与信息瓶颈的多模态情感分析方法，方法包括：分别提取图像、文本和音频模态的情感特征，并将多模态情感特征映射为多模态语义向量；随后，将多模态语义向量解耦为模态特定语义向量与模态公共语义向量；通过注意力机制提取模态对之间的情感一致性信号，并通过知识蒸馏机制将该情感关联信息引导融合入模态公共语义向量中；再基于信息瓶颈理论去除模态特定语义向量中的噪声信息；最终将优化后的模态特定语义向量与模态公共语义向量拼接为统一的情感表示，并经分类器输出相应的情感类别。本发明能够有效缓解多模态数据中噪声干扰带来的对齐偏差与信息污染问题，在提升情感识别精度的同时兼顾计算效率和模型稳定性。

本发明授权基于情感一致性蒸馏与信息瓶颈的多模态情感分析方法在权利要求书中公布了：1.一种基于情感一致性蒸馏与信息瓶颈的多模态情感分析方法，其特征在于，该方法包括以下步骤： S1、对包含图像、音频和文本的多模态情感视频数据进行各模态的情感特征提取，获得多模态情感特征； S2、将所述多模态情感特征映射转化为维度一致的多模态语义向量； S3、将所述多模态语义向量解耦为模态公共语义向量与模态特定语义向量； S4、提取模态对间的情感协同信息，并通过知识蒸馏方式将该信息迁移至模态公共语义向量中； S5、通过信息瓶颈理论去除模态特定语义向量中与任务无关的干扰信息； S6、拼接优化后的模态特定语义向量和模态公共语义向量得到最终的语义向量，使用线性映射与SoftMax输出最终的情感分类结果； S5中，通过信息瓶颈理论去除模态特定语义向量中与任务无关的干扰信息，具体流程包括： 1构建信息瓶颈约束目标： 为同时保留与情感预测相关的特征信息并压缩输入中的冗余噪声，构建基于信息瓶颈理论的损失函数为： 其中，IZ；Y表示变量Z与情感标签Y之间的互信息；IZ；X表示变量Z与输入特征X的互信息；β表示控制压缩与保留之间权衡的系数，Z表示去噪后的潜在情感表达，即隐空间变量； 2潜变量生成机制： 设计基于重参数化的编码器结构，将模态特定语义向量编码为隐空间变量，计算公式为： 其中，μ表示均值，σ2表示方差；和分别表示均值与方差提取网络；表示模态特定语义向量；∈为标准正态分布噪声变量，Z表示去噪后的潜在情感表达； 3分布约束机制： 构建KL散度作为正则化项，使编码器输出的变量Z分布接近于标准正态分布，计算公式为： 其中，表示KL散度损失函数，为编码器输出的后验分布，pZ表示变量Z的先验分布，DKL表示计算后验分布与先验分布的KL散度，测量两者的分布差异； 4特征重构与优化： 引入解码器fdec对变量Z进行重构，优化编码器对的表征能力，输出重构特征 比较原始特征与重构特征之间的均方差，定义重构损失为： 其中，||·||2表示均方误差损失： 5情感分类任务引导： 引入分类器fcls·对Z进行情感预测： 其交叉熵损失为： 其中，为情感预测结果；y为真实情感标签； 6构建复合损失函数进行去噪： Ldno＝Lrec+λ1LKL+λ2Lcls 其中，Ldno表示最终的去噪损失函数；Lrec表示重构损失；LKL表示KL散度损失；Lcls表示交叉熵损失；λ1、λ2分别为相应损失的重要性系数。

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广东技术师范大学，其通讯地址为：510665 广东省广州市天河区中山大道西293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。