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！

龙图腾网获悉华侨大学申请的专利基于相似矩阵融合的物联网多视图特征选择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：CN121658877B 。

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：202610170915.X，技术领域涉及：G06F18/2113；该发明授权基于相似矩阵融合的物联网多视图特征选择方法及系统是由施一帆;曾海鑫;曾焕强;朱建清;龚鑫荣;项文杰;蔡磊;林琦;郑惠洁设计研发完成，并于2026-02-06向国家知识产权局提交的专利申请。

本基于相似矩阵融合的物联网多视图特征选择方法及系统在说明书摘要公布了：本发明公开了基于相似矩阵融合的物联网多视图特征选择方法及系统，涉及机器学习技术领域，方法包括：首先将各视图不完整数据按列拼接为宽表，通过抽样与填补构造每个视图的完整矩阵；其次对各视图数据多次聚类，构建对应相似矩阵；将所有相似矩阵沿第三维堆叠为张量，在低秩约束下引入自适应权重融合，学习统一共有相似矩阵进行特征值分解，提取正特征值对应的特征向量形成伪标签；结合步调学习策略，筛选高置信样本，联合优化各视图特征选择系数与自步权重；基于各视图特征计算重要性得分，获得最优子集。本发明通过相似矩阵张量融合、自适应低秩约束和步调学习联合优化，实现了对工业物联网不完整多视图数据的特征选择。

本发明授权基于相似矩阵融合的物联网多视图特征选择方法及系统在权利要求书中公布了：1.一种基于相似矩阵融合的物联网多视图特征选择方法，其特征在于，包括以下步骤： S1，对每个工业物联网不完整数据按列拼接得到宽表的数据矩阵，基于宽表的数据矩阵进行抽补以构造每个工业物联网视图的数据矩阵； S2，对每个工业物联网视图的数据矩阵进行多次聚类，构造每个视图的相似矩阵； S3，将每个视图的相似矩阵堆叠为三阶张量并施加张量学习约束以捕捉跨视图全局低秩结构，同时引入自适应视图权重对跨视图全局低秩结构进行加权融合，获得共有相似矩阵； S4，对共有相似矩阵进行特征值分解提取伪标签矩阵，通过步调学习引导不完整工业物联网数据构造多视图特征选择模型； S5，基于多视图特征选择模型计算每个工业物联网视图特征的重要性得分，对所有特征按得分降序排列，选取排名前预设数量的特征作为最终特征子集； 所述S1，具体如下： 将每个工业物联网不完整数据按列拼接成宽表，如下： ； ； 其中，表示多视图数据宽表；表示视图总的维度；表示单个视图v的维度；表示多视图维度的叠加；v表示单个视图； 基于多视图数据宽表的数据矩阵进行抽补以构造每个工业物联网视图的数据矩阵，如下： ； 其中，表示抽补后的每个工业物联网视图的数据矩阵；对每个工业物联网视图的数据矩阵进行多次聚类计算公式如下： ； 通过多次聚类可以得到k次的聚类结果，然后将k次聚类结果进行构造相似矩阵，如下： ； 其中，表示每个视图的矩阵；U表示聚类结果；表示转置； 共有相似矩阵计算公式如下： 其中，表示每个视图的相似矩阵沿着第三维度堆积得到的张量；表示统一学习到的共有相似矩阵；表示加权参数；表示F范数； 对共有相似矩阵进行特征值分解提取伪标签矩阵，计算公式如下： 其中，表示伪标签矩阵；表示第一个最大特征值；表示第c个最大特征值；表示括号内元素构造对角矩阵；表示取最大值；表示由前c个特征向量组成的矩阵；表示对角矩阵平方根； 通过步调学习引导不完整工业物联网数据构造多视图特征选择模型，计算公式如下： ； ； 其中为每个物联网视图的步调学习比例参数；表示自步初始参数；表示自步最大参数；表示自步矩阵；表示特征选择矩阵；表示伪标签矩阵；每个数据点的自步参数；表示通过自步挑选的数据；表示约束条件； 对所有特征按得分降序排列，选取排名前预设数量的特征作为最终特征子集，具体包括： 计算每个物联网视图中各特征的重要性得分： ； 其中，表示第v个物联网视图特征选择矩阵的第j行； 将所有物联网视图的特征重要性得分进行汇总： T2； 对T2中的所有特征得分按降序排列，选取排名靠前的m个特征作为最终选择的特征子集： ； 其中，m为预设的特征选择数量。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城华北路269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。