申请/专利权人：大连理工大学

申请日：2024-04-17

公开（公告）日：2024-06-21

公开（公告）号：CN118228763A

主分类号：G06N3/042

分类号：G06N3/042;H04W84/06;G06N3/0499;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明属于有人无人协同空战飞机节点重要性排序技术领域，公开了一种基于图神经网络的协同空战节点重要性排序方法。将有人无人机协同编队视为是一个异质网络，不同作战平台视为节点，提出邻居感知模块、能力感知模块和中心度感知模块，一种能力感知的注意机制来捕捉节点对其邻居的重要性排序的影响，根据飞机本身的性能、网络中节点的结构、相邻节点的重要性得分和性能以及来评估节点的重要性得分。通过在传播过程中对不同的邻居节点设置不同大小的权重并结合作战评估的性能和异质编队网络中的节点中心性，实现对网络中不同节点的重要性排序，为战术决策提供一个指标，利于空战中资源的合理分配。

主权项：1.一种基于图神经网络的协同空战节点重要性排序方法，其特征在于，在有无人机协同作战过程时，根据己方现有的飞机及拓扑结构生成一个有无人机协同网络G＝V,E，其中节点V表示己方的有无人机，边E表示节点与节点之间的通信关系；重要性评分s∈R≥0为非负实数，表示节点的重要性；给定一个有无人机协同网络G＝V,E和部分节点的重要性评分{s}，学习一个函数s:V→[0，∞]，用于计算有无人机协同网络中每个节点的重要性评分；在有无人机协同网络中，为了使节点包含更多的有无人机信息，利用有无人机的性能建立特征向量Zi，i＝1,…,n，其中n为有无人机个数；根据节点i及其邻居节点j1…,j4的特征向量估计节点i的重要性，将节点i及其邻居节点j1…,j4的特征向量作为输入进行重要性评分初始化，初始化后的分数依次经过能力感知模块、邻居重要性感知模块和中心度感知模块，其中能力感知模块、邻居重要性感知模块共同组合成一个分数聚合层；最终输出s*i作为节点i的节点重要性排序得分；所述能力感知模块采用能力感知的注意机制感知邻居节点的能力；首先，考虑邻居节点的性能，邻居节点不同的性能决定了节点在协同或者指挥中能发挥出的能力，其次，在决定注意力时考虑邻居节点的重要性评分，邻居节点重要性评分越高，越受重点保护，其邻居节点的重要性评分也随之提高；在基于图神经网络的协同空战节点重要性排序中，所述能力感知的注意机制为一个共享注意机制，它是一个由向量a参数化的；单层前馈神经网络中负责所有相关信息连接的注意层捕获两个节点i和j的中间层节点重要性得分之间的关系，以及无人机性能特征在重要性评估中所起的作用；注意层输出先经非线性σ·变换，再经softmax函数归一化；共享注意机制中在第l层计算节点i在节点j上的注意力为： 其中Zi为第i个有无人机特征向量，σ为非线性运算，||为拼接操作,Ni为节点i的邻居节点集合；表示可学习向量，用来捕获相邻节点的性能；k为节点i的第k个邻居；sli为第l层计算得到的邻居重要性评分；所述邻居重要性感知模块提出一个聚合评分框架，用于直接模拟相邻节点重要性的相互影响关系，： 其中Ni表示节点i的邻居，是第l层节点i和j之间的可学习权值l＝1,…,L，通过共享注意机制训练所述中心度感知模块中设定节点i的入度di，介数中心度bci是节点i中心度和流行度的代理，将节点i的初始中心度ci定义为，ci＝logdi+bci+ε其中ε是一个正常数；使用缩放和移位的中心度c*i作为节点中心度的概念：c*i＝γ·ci+β其中γ和β是可学习的缩放和移动参数；为了计算最终分数，对来自最后一层的邻居重要性评分sLi进行中心度调整，并应用非线性σs得到最终的不同节点重要性排序如下：S*i＝σsc*i·sLi使用给定的重要性分数gi和节点i∈Vs的计算的重要性评分s*i之间的均方误差来训练能力感知模块、邻居重要性感知模块和中心度感知模块；损失函数为： 得到Loss使用反向梯度传播算法进行训练。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于图神经网络的协同空战节点重要性排序方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD