一种几何一致性引导的深度流形网络参数初始化方法及系统

本发明公开了一种几何一致性引导的深度流形网络参数初始化方法及系统，涉及机器学习中的流形学习技术领域，该方法包括：划分输入特征为多个独立模态并建立特征级模态能量分布模型；基于能量分布一致性约束推导可学习参数的几何一致性约束公式；将参数映射至高自由度的固定秩流形进行优化，通过设计的黎曼投影算子与回拉算子实现参数在流形上的更新与几何结构保持；结合几何一致性约束公式与流形优化策略，迭代训练直至模型收敛。本发明能够在不同流形结构与数据分布下，有效维持网络训练过程中的几何一致性，显著提升深度流形网络的收敛速度、稳定性与跨场景泛化能力。