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！

龙图腾网获悉深圳大学申请的专利基于算法的轻量级鲁棒无监督特征选择的音频去噪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：CN121331150B 。

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：202511883054.1，技术领域涉及：G10L21/0208；该发明授权基于算法的轻量级鲁棒无监督特征选择的音频去噪方法是由王浩;周璞;杨帆;李岩山;曹文明设计研发完成，并于2025-12-15向国家知识产权局提交的专利申请。

本基于算法的轻量级鲁棒无监督特征选择的音频去噪方法在说明书摘要公布了：本发明公开了基于算法的轻量级鲁棒无监督特征选择的音频去噪方法，包括采集实时场景下含噪声音频信号，作为待去噪音频数据；基于上述待去噪音频数据，构建基于联合子空间学习的鲁棒无监督特征选择模型，并通过多任务互补学习构建目标优化函数；采用交替优化方法，分步迭代求解目标优化函数；基于算法展开技术，将迭代求解过程转化为模块化神经网络结构，构建轻量级无监督特征选择网络；基于构建的轻量级无监督特征选择网络，待去噪音频数据经迭代计算后输出最优特征权重矩阵；基于最优特征权重矩阵评估特征重要性，选取目标特征子集对应关键音频特征；输出特征选择后的最终音频数据。本发明采用上述方法，实现对音频数据的高效去噪和质量提升。

本发明授权基于算法的轻量级鲁棒无监督特征选择的音频去噪方法在权利要求书中公布了：1.基于算法的轻量级鲁棒无监督特征选择的音频去噪方法，其特征在于，包括以下步骤： S1、采集实时场景下含噪声音频信号，作为待去噪音频数据； S2、基于S1的待去噪音频数据，构建基于联合子空间学习的鲁棒无监督特征选择模型，并通过多任务互补学习构建目标优化函数； S21、联合子空间学习的鲁棒无监督特征选择模型包括，自适应图流形学习模块、聚类模块、重构模块和稀疏学习模块； S22、通过多任务互补学习的方式，构建目标优化函数，如下所示： ； ； 其中，是图流形矩阵，是待去噪音频时间步数量；是聚类中心矩阵，是低维特征维度，是聚类类别数量；是聚类表征矩阵；是噪声矩阵，是待去噪音频特征维度；是特征权重矩阵；是单位向量；是单位矩阵；是非线性正则参数；是聚类模型正则参数；是编码器正则参数；是行稀疏正则参数；是噪声稀疏度正则参数；是辅助变量，用于确保聚类表征矩阵满足非负约束；是向量的范数；是矩阵范数；是行稀疏范数；是待去噪音频数据矩阵；、分别是第、个时间步的待去噪音频特征向量；、代表音频信号总长中的第、个时间步；是图流形矩阵的第行第列元素；是特征权重矩阵的转置矩阵； S3、采用交替优化方法，分步迭代求解目标优化函数； 通过分步迭代更新图流形矩阵、聚类中心矩阵、聚类表征矩阵、特征权重矩阵、噪声矩阵实现目标优化函数的求解，迭代过程如下： S31、更新图流形矩阵： S32、更新聚类中心矩阵： S33、更新聚类表征矩阵，具体内容如下： 定义辅助变量： 其中，是辅助变量矩阵的第行第列个元素；是聚类表征矩阵的第行第列个元素； 计算输入矩阵：； 其中，是常数； 对进行奇异值分解：； 其中，是左奇异矩阵；是奇异值矩阵；是右奇异矩阵； 得出； S34、更新特征权重矩阵： ； 其中，是特征权重矩阵的第行第列个元素；代表求矩阵的迹；是对角矩阵，对角元素，是特征权重矩阵的第个行向量；是图流形矩阵的图拉普拉斯矩阵，计算过程为：；，是度矩阵的第个对角元素； S35、更新噪声矩阵： 计算异常值判定参数：； 其中，是拉普拉斯核；是单个时间步中特征的方差；是单个时间步中的四分位距；是重构音频数据与待去噪音频数据的差值；代表第个时间步残差音频数据； 计算拉普拉斯分数：； 其中，是样本的拉普拉斯分数，当时，代表含有异常值，并将索引保存到集合中；是判定异常值的阈值； 迭代更新异常值阈值：； 其中，是迭代次数；是最终用于更新噪声矩阵的噪声判定阈值；是第t次迭代的噪声判定阈值；是当前根据拉普拉斯核函数求出的噪声判定阈值，具体表示为： ； 通过软阈值函数更新噪声矩阵： ； 其中，是噪声矩阵的第个时间步的噪声数据；是硬阈值函数； S4、基于算法展开技术，将S3的迭代求解过程转化为模块化神经网络结构，构建轻量级无监督特征选择网络； S41、设计核心轻量化组件克罗内克线性层；将原始线性层的大权重矩阵分解为多个低秩子矩阵的克罗内克乘积加权组合，如下所示： ； 其中，，是可训练参数矩阵，，是任意正整数；是克罗内克乘积；是克罗内克乘积，具体表示为：； S42、轻量级无监督特征选择网络由个模块组成，其中，为整数；所述模块包含7个核心子模块，分别为聚类模块、权重分数模块、特征表示模块、高阶矩阵表示模块、图表示模块、软阈值选择模块和权重更新模块； S5、基于S4构建的轻量级无监督特征选择网络，输入待去噪音频数据，执行迭代计算后，输出最优特征权重矩阵；基于最优特征权重矩阵评估特征重要性，并选取目标特征子集；基于目标特征子集对音频数据进行去噪处理，输出特征选择后的音频数据，完成音频去噪。

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大学，其通讯地址为：518060 广东省深圳市南山区南海大道3688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。