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！

龙图腾网获悉中南大学申请的专利一种考虑动态约束的深度矩阵分解的数据补全方法及系统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：CN118964839B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202410974121.X，技术领域涉及：G06F18/10；该发明授权一种考虑动态约束的深度矩阵分解的数据补全方法及系统是由李勇刚;贺婧秀;季志毅;阳春华;李东设计研发完成，并于2024-07-19向国家知识产权局提交的专利申请。

本一种考虑动态约束的深度矩阵分解的数据补全方法及系统在说明书摘要公布了：本发明涉及一种考虑动态约束的深度矩阵分解方法及系统，方法包括：获取原始完整数据集，对原始完整数据集进行数据缺失处理，得到缺失处理数据集；对缺失处理数据集进行标准化预处理；使用标准化预处理后的缺失处理数据集，训练得到考虑动态约束的深度矩阵分解模型；当接收到缺失数据的当前数据集时，通过考虑动态约束的深度矩阵分解模型对当前数据集进行数据补全。将数据变化速率作为动态约束条件来提高模型对缺失数据的补全能力，考虑了数据随时间的变化情况，强调了数据的动态特性而不仅仅是静态数值，通过约束数据变化速率，考虑动态约束的深度矩阵分解模型被引导去理解数据的动态变化规律，从而提高数据的补全精度。

本发明授权一种考虑动态约束的深度矩阵分解的数据补全方法及系统在权利要求书中公布了：1.一种考虑动态约束的深度矩阵分解的数据补全方法，其特征在于，包括： 从BSM1污水处理仿真平台获取原始完整数据集，对所述原始完整数据集进行数据缺失处理，得到缺失处理数据集； 对所述缺失处理数据集进行标准化预处理； 根据标准化预处理后的原始稀疏矩阵得到所述原始稀疏矩阵的表达式： ； 所述原始稀疏矩阵为缺失处理数据集，所述m表示行；所述n表示列；所述U和所述V为所述原始稀疏矩阵Y分解得到，且所述及所述；所述表示非线性映射，并对所述中的每一列执行；所述表示激活函数，所述W是人工神经网络中的权重矩阵，所述B是所述人工神经网络中的偏置向量； 将所述原始稀疏矩阵的数值随时间发生变化得到新稀疏矩阵，建模得到所述新稀疏矩阵的表达式为： ； 通过差分运算计算所述新稀疏矩阵中的每个数据点的数据变换速率； 将所述数据变换速率作为动态约束条件，构建出初始模型表达式： ； 其中，所述是对所述的惩罚项；所述是正则化参数；所述是对所述的惩罚的正则化参数；所述表示Hadamard乘积；所述为预置掩码矩阵，Mij=1时，对应所述原始稀疏矩阵中的位置的数据不缺失；Mij=0时，对应所述原始稀疏矩阵中的位置的数据缺失；所述为可调节的超参数； 将所述初始模型表达式中的所述使用人工神经网络进行逼近处理，得到近似所述初始模型表达式的第一模型表达式： ； 其中，所述表示权重矩阵，所述表示偏置向量，所述表示所述的第列，所述表示所述的第列，所述表示所述的第列，所述是权重衰减参数； 将所述第一模型表达式的单层人工神经网络进行深层升级后，得到第二模型表达式： 其中，所述，所述，所述为隐藏层数； 将所述第二模型表达式作为考虑动态约束的深度矩阵分解模型的表达式； 当接收到缺失数据的当前数据集时，通过所述考虑动态约束的深度矩阵分解模型对所述当前数据集进行数据补全。

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南大学，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路932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。