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！

龙图腾网获悉南京邮电大学申请的专利一种高维数据聚类及特征结构分析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：CN121561508B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202610084363.0，技术领域涉及：G06F18/23213；该发明授权一种高维数据聚类及特征结构分析方法是由孙雁飞;陈佳俊;亓晋;倪黄晶;董振江设计研发完成，并于2026-01-22向国家知识产权局提交的专利申请。

本一种高维数据聚类及特征结构分析方法在说明书摘要公布了：本申请属于数据挖掘与人工智能技术领域，公开了一种高维数据聚类及特征结构分析方法，包括步骤1、高维数据预处理并输出标准化数据，得到预处理后的标准化数据集，步骤2、构建高斯图形混合模型进行无监督聚类，输出包含类别标签的数据子群体，步骤3、对每一类数据子群体独立构建特征关联网络，输出各子群体的特征关联网络的拓扑图，步骤4、对各子群体特征关联网络执行多维度的图论指标计算与统计检验，输出最终分析结果。本申请解决了难以处理高维复杂流形分布数据的问题，还能直观展示不同类别背后的核心特征及其动态交互机制，实现了从样本划分到机理揭示的跨越，可广泛应用于医疗亚型发现、金融风险传导分析及工业故障诊断等领域。

本发明授权一种高维数据聚类及特征结构分析方法在权利要求书中公布了：1.一种高维数据聚类及特征结构分析方法，其特征在于：所述方法用于医疗健康大数据领域，具体的，所述高维数据聚类及特征结构分析方法包括以下步骤： 步骤1、高维数据预处理并输出标准化数据：采集2型糖尿病患者的高维数据，并对高维数据进行预处理，得到预处理后的标准化数据集； 步骤2、将步骤1得到的标准化数据集作为输入，构建高斯图形混合模型进行无监督聚类，旨在发现潜藏的患者亚型，输出包含类别标签的数据子群体； 步骤3、基于步骤2聚类后输出的包含类别标签的数据子群体，对每一类数据子群体独立构建特征关联网络，输出各子群体的特征关联网络的拓扑图； 步骤4、对步骤3构建的各子群体特征关联网络执行多维度的图论指标计算与统计检验，输出最终分析结果，具体的： 步骤2包括以下步骤： 步骤2.1、将步骤1得到的标准化数据集作为输入，构建高斯图形混合模型进行无监督聚类，在无监督聚类过程中嵌入图结构建模，以最大化惩罚对数似然函数作为优化目标，寻找一组最优高斯图形混合模型的参数集，使得参数集的数值最大化： 其中，为高斯图形混合模型的参数集，为标准化数据集的总数，为当前聚类簇数，为预处理后的标准化数据集中的第个样本向量，为第个聚类的混合权重，为高斯分布概率密度函数，为针对精度矩阵的稀疏惩罚项，为第个聚类的均值向量，为第个聚类的协方差矩阵； 步骤2.2、对步骤1的标准化数据集的每一个特征引入动态分配权重机制，在期望最大化算法中，第个聚类中第个特征的权重为： 其中，为第个特征在第个聚类内部的局部分布，为第个特征在标准化数据集上的全局分布，为第个特征在第个聚类内部的局部分布，为第个特征在标准化数据集上的全局分布，为标准化数据集的特征总维数，为温度系数，表示散度； 步骤2.3、设定的搜索，针对搜索区间内的每一个值，分别执行步骤2.2中迭代过程直至收敛，得到参数各异的高斯图形混合模型，利用贝叶斯信息准则对高斯图形混合模型进行评估与遍历搜索，当某个高斯图形混合模型的参数集稳定时，计算各高斯图形混合模型的值： 其中，为高斯图形混合模型似然函数的最大值，为标准化数据集的总数，为惩罚项，遍历预设的聚类数目区间，比较所有的值，识别出全局最小值，锁定值最小的模型状态； 步骤2.4、利用贝叶斯后验概率公式，计算每个第个样本向量归属于第个聚类的后验概率： 其中，为第第个聚类的混合权重，为第个聚类的均值向量，为第个聚类协方差矩阵； 依据最大后验概率原则，判定第个样本的最终类别标签： 步骤2.5、输出包含类别标签的数据集，将标准化数据集划分为簇独立的包含类别标签的数据子群体，作为步骤3构建特征关联网络的输入数据。

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南京邮电大学，其通讯地址为：210046 江苏省南京市栖霞区文苑路9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。