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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种流视图分类方法、装置、终端设备及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：CN121542861B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202610063256.X，技术领域涉及：G06F18/241；该发明授权一种流视图分类方法、装置、终端设备及介质是由侯臣平;欧阳宵;范瑞东;陶红设计研发完成，并于2026-01-19向国家知识产权局提交的专利申请。

本一种流视图分类方法、装置、终端设备及介质在说明书摘要公布了：本发明提供一种流视图分类方法、装置、终端设备及介质，该方法包括接收以流式顺序到达的流视图数据；将当前时刻到达的数据视图输入至预先构建的证据深度神经网络模型，通过非负激活变换生成当前证据向量；利用预设的标签转移矩阵对当前证据向量进行线性变换，得到噪声适应证据向量；基于噪声适应证据向量计算一组狄利克雷分布参数，并依据狄利克雷分布参数生成数据视图的主观逻辑意见；通过基于主观逻辑定义的融合算子，将主观逻辑意见与上一时刻输出的综合意见进行合成，得到新的综合意见；根据新的综合意见中的信念质量向量，确定实体的最终分类标识。本发明能够提高流视图分类的准确性。

本发明授权一种流视图分类方法、装置、终端设备及介质在权利要求书中公布了：1.一种流视图分类方法，其特征在于，包括以下步骤： 接收以流式顺序到达的流视图数据；所述流视图数据包括对应于同一实体的多个时序到达的数据视图；所述流视图数据包括图像、音频、视频数据中的其中一种或多种； 将当前时刻到达的数据视图输入至预先构建的证据深度神经网络模型，通过非负激活变换生成当前证据向量；所述当前证据向量包含一组非负的数值，其中每个数值独立地表征所述数据视图支持所述实体归属于一个目标类别的强度； 利用预设的标签转移矩阵对所述当前证据向量进行线性变换，得到噪声适应证据向量；其中，所述标签转移矩阵用于表征目标类别的真实标签与含噪声的观测标签之间的条件概率关系；所述预设的标签转移矩阵是通过模型训练过程学习得到的，所述模型训练过程的总损失函数至少包括： 噪声鲁棒交叉熵损失项，用于最小化模型基于所述噪声适应证据向量做出的预测期望与所述观测标签之间的差异，驱动模型学习适应噪声； 不确定性正则化损失项，用于约束模型预测的认知不确定性，通过最小化所述预测期望的狄利克雷分布与一个先验均匀分布之间的KL散度，防止模型在噪声数据上做出错误预测； 转移矩阵正则化损失项，用于约束标签转移矩阵的结构，通过最小化所述标签转移矩阵的列向量所张成的单纯形体积，促使学习到的标签转移矩阵具有概率语义和数值稳定性； 基于所述噪声适应证据向量计算一组狄利克雷分布参数，并依据所述狄利克雷分布参数生成所述数据视图的主观逻辑意见；所述主观逻辑意见包括信念质量向量和不确定性参数；所述信念质量向量表征对各目标类别的支持度，所述不确定性参数表征由于视图信息缺失或噪声导致的对分类决策的整体不确定程度； 通过基于主观逻辑定义的融合算子，将所述主观逻辑意见与上一时刻输出的综合意见进行合成，得到新的综合意见；所述合成过程依据各意见中的不确定性参数对视图信息进行加权与折减，以实现跨视图信息在不确定性框架下的有效积累；所述新的综合意见在流式处理中被迭代传递；在所述流式处理中，还包括对标签转移矩阵施加时间一致性约束；包括： 通过计算公式 得到当前时刻学习到的标签转移矩阵和上一时刻标签转移矩阵之间的差异范数； 通过最小化所述差异范数，确保模型对标签噪声模式的估计在连续的视图流中保持平稳，避免因单个视图的数据波动导致对噪声分布的错误估计； 根据所述新的综合意见中的信念质量向量，确定所述实体的最终分类标识。

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中国人民解放军国防科技大学，其通讯地址为：410003 湖南省长沙市开福区德雅路109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。