一种基于深度模糊多视图学习的可靠分类方法

本发明公开了一种基于深度模糊多视图学习的可靠分类方法，具体包括以下：采集多视图数据，对数据进行预处理，得到处理后的训练数据集和测试数据集；构建深度模糊多视图学习神经网络模型；对神经网络模型进行训练，得到训练完成的神经网络模型；通过训练完的神经网络模型预测测试数据集中各样本的类别，输出相应的分类结果的不确定度。本发明通过深度模糊学习机制，显著提高了对冲突视图的分类准确性，并同时输出分类结果的不确定度，为用户提供可靠的置信度参考；创新的深度模糊多视图学习方法不仅提升了多视图分类技术的性能，还为未来相关技术的发展提供了新思路和方向，具有重要的学术价值和广阔的应用前景。