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！

龙图腾网获悉深圳北理莫斯科大学申请的专利基于超图扩散和证据融合的多模态情绪识别方法、系统、终端及存储介质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：CN121009512B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511536832.X，技术领域涉及：G06F18/25；该发明授权基于超图扩散和证据融合的多模态情绪识别方法、系统、终端及存储介质是由邱夕航;李春;田玉斌;张晔;翟斌;洪嘉隆;方宇浩;郑家愉设计研发完成，并于2025-10-27向国家知识产权局提交的专利申请。

本基于超图扩散和证据融合的多模态情绪识别方法、系统、终端及存储介质在说明书摘要公布了：本发明涉及图像分析技术领域，公开了一种基于超图扩散和证据融合的多模态情绪识别方法、系统、终端及存储介质，所述方法包括：通过随机生成的掩码对数据集进行随机遮挡从而模拟数据随机缺失的情况，并利用以训练好的条件扩散模型对预处理后的模拟数据进行逆采样，得到补全了缺失模态的训练集，以训练情绪分类网络，最终进行情绪识别。本发明通过双通道证据融合，在特征源层面与判别层面同时估计不确定性，从而实现自适应的证据融合，减轻了模态缺失导致的性能下降情况，在特征空间中显式恢复缺失模态的潜在特征，提高了最终情绪识别的准确性。

本发明授权基于超图扩散和证据融合的多模态情绪识别方法、系统、终端及存储介质在权利要求书中公布了：1.一种基于超图扩散和证据融合的多模态情绪识别方法，其特征在于，所述基于超图扩散和证据融合的多模态情绪识别方法包括： 获取多个训练语句和每个所述训练语句的多个模态，利用掩码向量构建超图网络，并对所述超图网络中的节点集合和超边集合进行聚合，以更新所述超图网络中的所有节点，得到对应的节点表示； 将所有所述节点表示按模态维度进行拼接得到条件信息，将所述条件信息输入条件扩散模型，得到多个输出特征，根据所有所述输出特征构建融合特征； 根据所述条件信息进行逆采样，以填补所有缺失模态，并生成均方误差和训练全集； 根据所述均方误差，计算所述训练全集的特征不确定度，根据类别概率单纯形，计算所述训练全集的判别不确定度，并根据所述特征不确定度和所述判别不确定度构建融合后的概率向量； 确定多个不确定性估计，构建散度正则项，根据所有所述不确定性估计、所述散度正则项和所述概率向量优化情绪分类网络，并将测试集输入优化后的情绪分类网络，输出情绪识别结果，具体包括： 将softmax层替换为ReLU激活层，以根据所述概率向量构建所述训练全集中每个样本的证据向量，根据所述证据向量构建对应的狄利克雷参数和狄利克雷强度，并根据所有所述狄利克雷参数和所有所述狄利克雷强度构建每个样本的类别的概率估计： ； ； ； ； 其中，表示在模态下的第个证据向量，、和分别表示第1类、2类和类的，表示的狄利克雷参数，表示第类的的狄利克雷参数，表示的狄利克雷强度，表示第类样本的第个概率估计； 根据所有所述类别和每个所述类别的狄利克雷强度，构建每个狄利克雷参数的空旷不确定性估计： ； 其中，表示空旷不确定性估计，表示狄利克雷参数，表示类别的数量，表示的狄利克雷强度； 根据不同所述类别的概率估计，构建每个狄利克雷参数的冲突不确定性估计： ； 其中，表示的冲突不确定性估计，和分别为第类和第类样本的概率估计； 根据单个批次的样本数量，构建任意两个样本之间的一致不确定性估计： ； 其中，表示一致不确定性估计，表示样本数量，表示样本对的数量，和分别表示第类样本中的第个和第个样本的狄利克雷参数，表示常数； 构建散度正则项和交叉熵损失函数，根据所述空旷不确定性估计、所述冲突不确定性估计、所述一致不确定性估计和所述散度正则项构建最终优化目标函数： ； ； 其中，表示散度正则项，表示狄利克雷参数的数量，表示第个狄利克雷参数，表示的估计值，表示狄利克雷分布，表示均匀狄利克雷分布，表示的概率，表示逐元素相乘； ； 其中，表示最终优化目标函数，表示的交叉熵损失函数，表示的独热编码标签，表示的散度正则项，均表示超参数，分别表示的一致不确定性估计、冲突不确定性估计和空旷不确定性估计； 利用所述最终优化目标函数对已构建的情绪分类网络进行优化，得到目标情绪分类模型，并将测试集输入所述目标情绪分类模型，输出情绪识别结果。

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深圳北理莫斯科大学，其通讯地址为：518172 广东省深圳市龙岗区龙城街道大运新城国际大学园路1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。