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！

龙图腾网获悉华东交通大学申请的专利一种基于锚点引导聚类的数据分类方法、装置及设备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：CN121542881B 。

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：202610062697.8，技术领域涉及：G06F18/2413；该发明授权一种基于锚点引导聚类的数据分类方法、装置及设备是由蔡莹杰;杨辉;朱建勇;聂飞平设计研发完成，并于2026-01-19向国家知识产权局提交的专利申请。

本一种基于锚点引导聚类的数据分类方法、装置及设备在说明书摘要公布了：本申请公开了一种基于锚点引导聚类的数据分类方法、装置及设备，涉及电数字数据处理技术领域，该方法包括：获取待分类的原始数据集，将每个样本数据转换为数值向量，并构造为数据矩阵；初始化聚类中心矩阵和锚点矩阵，并设定模糊系数；获得联合迭代优化后的锚点矩阵和聚类中心矩阵；计算每个样本向量的模糊隶属度；模糊隶属度取值最大的类别作为样本向量的最终类别标签，输出所有样本向量的分类结果。本申请解决了现有模糊聚类方法因对初始条件敏感且易陷入次优解，导致分类结果不稳定和不准确，以及不能直接使用梯度下降算法求解而难以适用于大规模数据集的问题，实现了对复杂数据分类精度的增强和不同数据规模场景下的适用性。

本发明授权一种基于锚点引导聚类的数据分类方法、装置及设备在权利要求书中公布了：1.一种基于锚点引导聚类的数据分类方法，其特征在于，包括： 获取待分类的原始数据集，并将所述原始数据集中每个样本数据转换为数值向量； 将所有样本的数值向量排列，构造为数据矩阵； 根据预设的聚类类别数初始化聚类中心矩阵，根据预设的锚点数量初始化锚点矩阵，并设定模糊系数； 基于所述数据矩阵、所述锚点矩阵和所述聚类中心矩阵，执行预设的联合迭代优化，获得优化后的锚点矩阵和优化后的聚类中心矩阵； 根据所述优化后的聚类中心矩阵，计算所述数据矩阵中每个样本向量隶属于每个聚类中心的模糊隶属度； 确定所述数据矩阵中每个样本向量对应的模糊隶属度取值最大的类别，并作为样本向量的最终类别标签，输出所有样本向量的最终类别标签作为分类结果；其中， 所述预设的联合迭代优化包括多次迭代，迭代执行以下步骤直至收敛： 计算所述数据矩阵与所述锚点矩阵之间的第一距离度量、所述锚点矩阵与所述聚类中心矩阵之间的第二距离度量、所述数据矩阵与所述聚类中心矩阵之间的第三距离度量； 根据所述第一距离度量和第二距离度量，确定所述锚点矩阵的梯度；根据所述第二距离度量和第三距离度量，确定所述聚类中心矩阵的梯度； 根据所述锚点矩阵的梯度，更新所述锚点矩阵中存储的数值；根据所述聚类中心矩阵的梯度，更新所述聚类中心矩阵中存储的数值，获得所述优化后的聚类中心矩阵； 所述第一距离度量、所述第二距离度量和所述第三距离度量的计算，共同构成一个联合优化目标；其中，所述第三距离度量构成所述联合优化目标的主导项，所述第一距离度量和第二距离度量构成用于引导优化过程的辅助项； 所述模糊隶属度的计算公式为：，其中，c表示为聚类类别数，r表示为模糊系数，表示数据矩阵X中第i个样本向量，和均表示为聚类中心矩阵M中的聚类中心，j和k为索引变量； 所述第一距离度量、所述第二距离度量和实施第三距离度量，通过联合优化目标函数L进行优化；所述联合优化目标函数L为： 其中，Z表示为锚点矩阵，表示为锚点矩阵Z中第j个锚点向量，n为样本数量； 所述确定所述锚点矩阵的梯度与所述更新所述锚点矩阵中存储的数值、所述确定所述聚类中心矩阵的梯度与所述更新所述聚类中心矩阵中存储均通过梯度下降法实现；其中，所述锚点矩阵的梯度和所述聚类中心矩阵的梯度，均根据所述联合优化目标函数L计算； 所述锚点矩阵中锚点的更新公式为：； 所述聚类中心矩阵中聚类中心的更新公式为：； 其中，表示为学习率，t为第t次迭代。

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东交通大学，其通讯地址为：330013 江西省南昌市经济技术开发区双港东大街808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。