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！

龙图腾网获悉复旦大学;珠海复旦创新研究院申请的专利基于复杂噪声的贝叶斯张量补全算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：CN114756535B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202210331227.9，技术领域涉及：G06F16/215；该发明授权基于复杂噪声的贝叶斯张量补全算法是由杨卫东;王小航设计研发完成，并于2022-03-31向国家知识产权局提交的专利申请。

本基于复杂噪声的贝叶斯张量补全算法在说明书摘要公布了：本发明提供一种基于复杂噪声的贝叶斯张量补全算法，针对具有缺失值以及复杂噪声的目标数据，通过将目标数据表示为张量，该张量为张量估计值和噪声的和，并采用CP分解提取张量的低秩信息，结合CP分解、贝叶斯方法的框架进行吉布斯抽样，通过迭代得到张量估计值，进而基于张量估计值对目标数据同时进行补全和去噪。由于采用CP分解充分挖掘张量的低秩信息，且充分利用了已观测的张量信息，并进行了迭代抽样，因此该补全算法对异常值以及复杂噪声也能够实现很好的补全及去噪，是一种鲁棒有效的张量补全算法，相比于现有技术中的补全方法，本发明的补全算法能够获得更为精确的张量估计值，从而实现更为精确的目标数据补全及去噪。

本发明授权基于复杂噪声的贝叶斯张量补全算法在权利要求书中公布了：1.一种基于复杂噪声的贝叶斯张量补全算法，用于同时对目标数据进行补全和去噪，所述目标数据为多光谱图像，其特征在于，包括以下步骤： 步骤S1，将所述目标数据表示为张量，该张量的观测值表示为张量估计值和噪声的和； 步骤S2，采用CP分解对所述张量进行分解得到多个因子矩阵，并计算多个因子矩阵的外积作为所述张量估计值； 步骤S3，引入隐参数，将所述张量中已观测到的张量信息表达为混合高斯分布的似然函数； 步骤S4，将用于进行吉布斯抽样的各个参数的先验分布设置为共轭先验分布，并基于各个所述参数的所述先验分布计算各个所述参数的条件后验分布； 步骤S5，采用吉布斯抽样法依次从各个所述参数的所述条件后验分布进行抽样，以得到多个所述参数的联合后验分布； 步骤S6，判断是否达到预定的迭代次数，当判断为否时重复步骤S5； 步骤S7，当步骤S6判断为是时，输出最终的所述张量估计值，并基于最终的所述张量估计值对所述目标数据的缺失值进行插值，从而实现对所述目标数据的补全以及去噪， 其中，步骤S1中，所述张量的观测值表示为： 式中，为所述张量估计值，ε为所述噪声，有缺失值， 步骤S2中，计算得到的所述张量估计值为： 式中，分别为因子矩阵 的第d列，符号代表外积， 所述张量估计值的元素表示为： 式中，uid，vjd，tkd分别为因子矩阵U，V,T的第i，d，j，d，k，d个元素， 步骤S3中，已观测到的所述张量信息表示为： 式中，i，j，k∈Ω，Ω为所述张量观测值中非缺失值的指示集合，∈ijk服从混合高斯模型： 式中，πn为观测数据属于第n个子模型的概率，且πn≥0，N为高斯混合模型中子模型的个数，代表均值为μn，精度为τn的高斯分布， 因此，每个xijk都服从混合高斯分布： 式中， 步骤S3中，所述似然函数表示为： 式中，zijkn为引入的二元隐参数，zijkn∈{0，1}且 步骤S4中，所述参数包括： 超参数其所述先验分布设置为Gaussian-Wishartμ0，β0，W0，v0， 即pμk，Λk|-＝Nμk|μ0，β0Λk-1×WishartΛk|W0，μ0； 因子矩阵U，V,T的行向量，其中，所述因子矩阵U的行向量ui～Nμ1，Λ1-1，所述因子矩阵V的行向量vj～Nμ2，Λ2-1，所述因子矩阵T的行向量tk～Nμ3，Λ3-1； 参数μn，τn，分别代表均值和精度，其所述先验分布为μn，τn～Nμn|μ0，θ0τn-1Gamτn|c0，d0； 参数π，其所述先验分布为参数α0的狄利克雷分布，π～Dirπ|α0，其中α0＝α01，α02，...，α0N；以及 隐参数zijk，其所述先验分布为所述参数π的多项分布，zijk～Multinomialzijk|π。

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复旦大学;珠海复旦创新研究院，其通讯地址为：200433 上海市杨浦区邯郸路220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”。