CN114143210A - 一种基于深度学习的指挥控制网络关键节点识别方法 - Google Patents

一种基于深度学习的指挥控制网络关键节点识别方法 Download PDF

Info

Publication number
CN114143210A
CN114143210A CN202111332644.7A CN202111332644A CN114143210A CN 114143210 A CN114143210 A CN 114143210A CN 202111332644 A CN202111332644 A CN 202111332644A CN 114143210 A CN114143210 A CN 114143210A
Authority
CN
China
Prior art keywords
neural network
command control
control network
data set
key
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111332644.7A
Other languages
English (en)
Other versions
CN114143210B (zh
Inventor
畅鑫
李艳斌
赵研
杜宇峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202111332644.7A priority Critical patent/CN114143210B/zh
Publication of CN114143210A publication Critical patent/CN114143210A/zh
Application granted granted Critical
Publication of CN114143210B publication Critical patent/CN114143210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Abstract

本发明提供了一种基于深度学习的指挥控制网络关键节点识别方法，所述方法包括(1)构建指挥控制网络关键节点数据集，(2)构建指挥控制网络关键节点识别神经网络模型，(3)基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练，(4)将数据集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点。本发明提供的基于深度学习的指挥控制关键节点识别方法，能够准确地判断指挥控制关键节点。所述方法自动化程度高，结构新颖，流程简洁，具有广泛的工业实用性。

Description

一种基于深度学习的指挥控制网络关键节点识别方法
技术领域
本发明涉及一种基于深度学习的指挥控制网络关键节点识别方法，属于深度学习领域。
背景技术
指挥控制网络关键节点识别是支撑指挥控制体系博弈的重要组成部分和决定作战结果的关键因素。通过干扰或者打击指挥控制网络关键节点，能有有效抑制敌方对于战场态势的获取，从而压制敌方的决策空间，使得我方在指挥控制体系博弈中获得信息优势。
现阶段大多指挥控制网络关键节点识别方法主要依赖于专业知识设计目标函数和检测特征，在《面向结构洞的指挥控制网络关键节点识别方法》一文中，在提取指挥控制网络关键节点特征方面具有局限性，需要大量人工参与，并且受到专业背景的影响，导致检测效果有限；同时，传统节点识别方法的评判指标固定，如公开号为CN113411197A的专利《一种无先验拓扑信息的非合作关键节点识别方法》，无法通过学习机制不断提升检测效果；在《基于改进灰狼优化的复杂网络重要节点识别算法》一文中，基于优化算法的指挥控制网络关键节点识别方法的计算量较大，会较大幅度提高指挥控制的决策产生时间，从而影响博弈效果。
发明内容
本发明避免背景技术中的问题提出了一种基于深度学习的指挥控制网络关键节点识别方法，该方法构建了适用于指挥控制网络关键节点识别的深度学习卷积神经网络，通过将指挥控制网络中节点的互通次数和通信类型转换为多维数据矩阵，便于神经网络提取识别特征。
本发明采用的技术方案为：
一种基于深度学习的指挥控制网络关键节点识别方法，包括以下步骤：
步骤1：构建指挥控制网络关键节点数据集；
步骤2：基于最小指挥控制网络关键节点识别神经网络模块和分类神经网络模块，构建指挥控制网络关键节点识别神经网络模型；
步骤3：基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练；
步骤4：将测试集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点。
其中，步骤1中，构建指挥控制网络关键节点数据集的具体方式为：
步骤1-1：基于指挥控制网络结构、关键指挥控制节点和通信方式，统计在t次通信下，任意两节点之间，不同通信方式下的互通次数
Figure BDA0003349370020000011
其中n和m分别为通信节点标号，n,m∈N，N为通信节点数，l表示通信方式种类索引，l∈L，L为通信方式种类，t为设定值；
步骤1-2：将互通次数数据转换成多维矩阵形式组成样本I：
Figure BDA0003349370020000021
步骤1-3：将关键通信节点标号y作为对应样本的标签；
步骤1-4：在指挥控制网络结构相同但关键指挥控制结点不同的情况下，重复步骤1-1到1-3T次，组成数据集，包括样本数据集和标签数据集；其中T为设定值；
样本数据集X为：
Figure BDA0003349370020000022
标签数据集Y为：
Y＝[y1…yT]T
步骤1-5：按照设定比例μ，将数据集切分为学习数据集和测试数据集，二者数量分别为
Figure BDA0003349370020000023
和
Figure BDA0003349370020000024
其中
Figure BDA0003349370020000025
表示向上取整。
学习数据集的样本数据集为X′，维度为
Figure BDA0003349370020000026
学习数据集的标签数据集为Y′，维度为
Figure BDA0003349370020000027
测试数据集的样本数据集为X″，维度为
Figure BDA0003349370020000028
测试数据集的标签数据集为Y″，维度为
Figure BDA0003349370020000029
其中，步骤2中，构建指挥控制网络关键节点识别神经网络的具体方式为：
步骤2-1：搭建最小指挥控制网络关键节点识别神经网络模块；
最小指挥控制网络关键节点识别神经网络模块，内部分为主线和支线；数据流向为：输入样本数据分别经过主线和支线并行处理后相加，经过非线性激活层之后得到输出；
主线依次包含二维卷积层、归一化层、非线性激活层、二维卷积层、归一化层和Squeeze-and-Excitation层，其中Squeeze-and-Excitation层包括全连接层、非线性激活层和全连层；支线包含二维卷积层和归一化层；
步骤2-2：搭建分类神经网络模块：
分类神经网络模块依次包含Dropout层、全连接层、非线性激活层、Dropout层、全连层、非线性激活层和全连层；
步骤2-3：搭建指挥控制网络关键节点识别神经网络：
通过将最小指挥控制网络关键节点识别神经网络模块和分类神经网络模块串行组合，并添加支线构成指挥控制网络关键节点识别神经网络；神经网络主体结构由三个最小指挥控制网络关键节点识别神经网络模块和一个分类神经网络模块串行构成，在四个模块连接之间插入三条相同的前向支路，前向支路由二维卷积层和归一化层构成。
其中，步骤3中，基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练的具体方式为：
步骤3-1：前向传播
将多批样本数据X″′依次通过指挥控制网络关键节点识别神经网络得到预测的标签数据Z的对应概率，其过程描述为Z＝F(X″′)，其中基于学习数据集将B个样本学习数据构建为批样本学习数据X″′和批样本学习数据标签Y″′，维度分别为B×L×N×N和B，B为批数量；F代表指挥控制网络关键节点识别神经网络的数学处理过程；
步骤3-2：定义损失函数：
损失函数依据预测的标签数据Z和标签数据Y″的差距定义，给出二者之间的误差。
步骤3-3：依据损失函数计算误差，根据误差进行反向传播，并对神经网络参数优化；
步骤3-4：在测试数据集中评估神经网络的预测正确率，保存正确率最优的神经网络模型和参数。
其中，步骤4中，将数据集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点的具体方式为：
步骤4-1：加载保存的神经网络模型及参数：
步骤4-2：将测试数据集输入到指挥控制网络关键节点识别神经网络模型，得到关键节点对应的标号，实现指挥控制网络的关键节点的识别。
本发明相比现有技术具有如下优点：
本发明提高了神经网络提取特征的效果和在指挥控制网络关键节点识别上的适应性。
本发明可适用于各类指挥控制网络结构中关键节点的检测和识别，为指挥控制网络关键节点识别提供新思路和新方法，提升指挥控制回路的态势判断能力，为指挥控制体系博弈策略的决策制定提供可靠的技术支撑。
附图说明
图1为本发明实施例方法的流程图。
图2为本发明实施例中指挥控制网络结构、关键节点和通信方式示意图。
图3本发明实施例中多维矩阵示意图。
图4为本发明实施例中的最小指挥控制网络关键节点识别神经网络模块结构图。
图5为本发明实施例中的分类神经网络模块结构图。
图6为本发明实施例中的指挥控制网络关键节点识别神经网络结构图。
图7为本发明实施例中的基于混淆矩阵的识别结果图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
一种基于深度学习的指挥控制网络关键节点识别方法，其整体流程如图1所示。
具体包括如下步骤：
步骤1：构建指挥控制网络关键节点数据集。
步骤1-1：基于如图2所示的指挥控制网络结构、关键指挥控制节点和通信方式，统计在t＝1000次通信下，任意两节点之间，不同通信方式下的互通次数
Figure BDA0003349370020000041
其中n和m分别为通信节点标号，n,m∈N，节点数N＝5，l表示通信方式种类索引，共L＝3种通信方式。
步骤1-2：如图3所示，将互通次数数据转换成多维矩阵形式组成样本I：
Figure BDA0003349370020000042
步骤1-3：将关键通信节点标号y，y∈[1,5]作为对应样本的标签；
步骤1-4：在指挥控制网络结构相同但关键指挥控制结点不同的情况下，重复步骤1-1到1-3，生成不同指挥控制网络结构中关键节点的互通次数，每个通信节点重复1000次统计，共重复T＝5000次，组成数据集，包括样本数据集和标签数据集，并将数据集随机打乱。
样本数据集X为：
Figure BDA0003349370020000051
标签数据集Y为：
Y＝[y1…yT]T,yt∈[1,5]
其中yt是5000次标签数据的对应索引，即通信节点编号。
步骤1-5：构建学习数据集和测试数据集。按照比例μ＝0.98，将数据集切分为学习数据集和测试数据集，二者数量分别为
Figure BDA0003349370020000052
个和
Figure BDA0003349370020000053
个，其中
Figure BDA0003349370020000054
表示向上取整。
学习数据集的样本数据集为X′，维度为
Figure BDA0003349370020000055
学习数据集的标签数据集为Y′，维度为
Figure BDA0003349370020000056
测试数据集的样本数据集为X″，维度为
Figure BDA0003349370020000057
测试数据集的标签数据集为Y″，维度为
Figure BDA0003349370020000058
步骤2：构建指挥控制网络关键节点识别神经网络。
步骤2-1：搭建最小指挥控制网络关键节点识别神经网络模块f，如图4所示。最小指挥控制网络关键节点识别神经网络模块，内部分为主线和支线。数据流向为：输入样本数据分别经过主线和支线并行处理后相加，经过非线性激活层之后得到输出。主线包含二维卷积层、归一化层、非线性激活层和Squeeze-and-Excitation层，其中Squeeze-and-Excitation层包括二元自适应均值汇聚层、全连接层和非线性激活层。支线包含二维卷积层和归一化层。
步骤2-2：搭建分类神经网络模块f′，如图5所示。分类神经网络模块包含Dropout层、全连接层、非线性激活层、Dropout层、全连层、非线性激活层和全连层。
步骤2-3：搭建指挥控制网络关键节点识别神经网络F。通过将最小指挥控制网络关键节点识别神经网络模块和分类神经网络模块串行组合，并添加支线构成指挥控制网络关键节点识别神经网络；神经网络主体结构由三个最小指挥控制网络关键节点识别神经网络模块和一个分类神经网络模块串行构成，在四个模块连接之间插入三条相同的前向支路，前向支路由二维卷积层和归一化层构成，如图6所示。
步骤3：基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练。
步骤3-1：前向传播。
将多批样本数据X″′依次通过指挥控制网络关键节点识别神经网络得到预测的标签数据Z的对应概率，其过程描述为Z＝F(X″′)，其中基于学习数据集将B个样本学习数据构建为批样本学习数据X″′和批样本学习数据标签Y″′，维度分别为B×L×N×N和B，B为批数量，实施例中取64；F代表指挥控制网络关键节点识别神经网络的数学处理过程；
步骤3-2：选择交叉熵函数为损失函数。
失函数依据预测的标签数据Z和标签数据Y″的差距定义，给出二者之间的误差。
步骤3-3：依据交叉熵函数计算误差，批训练的误差为:
Figure BDA0003349370020000061
其中P为求取对应标签的概率分布，z为多批样本数据X″′中单个样本数据x″′指挥控制网络关键节点识别神经网络F得到预测的标签数据的对应概率。
根据误差进行反向传播，并对神经网络参数优化。
步骤3-4：在测试数据集中评估神经网络的预测正确率，即统计测试数据集的样本数据经过神经网络F输出的最大概率对应的估计标签。如果估计标签与标签数据相同，则结果为1；如果估计标签与标签数据不相同，则结果为0。对所有测试数据集进行上述操作后，将结果累加除以测试数据集中的数量，即100。保存正确率最优的神经网络模型和参数，即F′。
步骤4：将测试集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点。
步骤4-1：加载保存的神经网络模型及参数F′：
步骤4-2：将测试数据集X″输入到指挥控制网络关键节点识别神经网络模型，即F′(X″)。通过label_max[F′(X″)]，得到关键节点对应的标号，定义label_max为求取最大概率所对应的标签。识别结果以混淆矩阵的方式给出，如图7所示，有识别出了指挥控制网络的关键节点。
综上所述，本发明通过产生样本数据集、构建训练样本集和测试样本集、构建指挥控制网络节点识别神经网络模型、基于训练集对指挥控制网络节点识别神经网络模型进行学习训练和将测试集输入到指挥控制节点识别神经网络模型进行测试，输出待识别的指挥控制网络关键节点，准确地判断指挥控制关键节点。

Claims (5)

1.一种基于深度学习的指挥控制网络关键节点识别方法，其特征在于，包括以下步骤：
步骤1：构建指挥控制网络关键节点数据集；
步骤2：基于最小指挥控制网络关键节点识别神经网络模块和分类神经网络模块，构建指挥控制网络关键节点识别神经网络模型；
步骤3：基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练；
步骤4：将测试集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点。
2.根据权利要求1所述的一种基于深度学习的指挥控制网络关键节点识别方法，其特征在于，步骤1中，构建指挥控制网络关键节点数据集的具体方式为：
步骤1-1：基于指挥控制网络结构、关键指挥控制节点和通信方式，统计在t次通信下，任意两节点之间，不同通信方式下的互通次数
Figure FDA0003349370010000013
其中n和m分别为通信节点标号，n,m∈N，N为通信节点数，l表示通信方式种类索引，l∈L，L为通信方式种类，t为设定值；
步骤1-2：将互通次数数据转换成多维矩阵形式组成样本I：
Figure FDA0003349370010000011
步骤1-3：将关键通信节点标号y作为对应样本的标签；
步骤1-4：在指挥控制网络结构相同但关键指挥控制结点不同的情况下，重复步骤1-1到1-3T次，组成数据集，包括样本数据集和标签数据集；其中T为设定值；
样本数据集X为：
Figure FDA0003349370010000012
标签数据集Y为：
Y＝[y1…yT]T
步骤1-5：按照设定比例μ，将数据集切分为学习数据集和测试数据集，二者数量分别为
Figure FDA0003349370010000021
和
Figure FDA0003349370010000022
其中
Figure FDA0003349370010000023
表示向上取整；
学习数据集的样本数据集为X′，维度为
Figure FDA0003349370010000024
学习数据集的标签数据集为Y′，维度为
Figure FDA0003349370010000025
测试数据集的样本数据集为X″，维度为
Figure FDA0003349370010000026
测试数据集的标签数据集为Y″，维度为
Figure FDA0003349370010000027
3.根据权利要求1所述的一种基于深度学习的指挥控制网络关键节点识别方法，其特征在于，步骤2中，构建指挥控制网络关键节点识别神经网络的具体方式为：
步骤2-1：搭建最小指挥控制网络关键节点识别神经网络模块；
最小指挥控制网络关键节点识别神经网络模块，内部分为主线和支线；数据流向为：输入样本数据分别经过主线和支线并行处理后相加，经过非线性激活层之后得到输出；
主线依次包含二维卷积层、归一化层、非线性激活层、二维卷积层、归一化层和Squeeze-and-Excitation层，其中Squeeze-and-Excitation层包括全连接层、非线性激活层和全连层；支线包含二维卷积层和归一化层；
步骤2-2：搭建分类神经网络模块：
分类神经网络模块依次包含Dropout层、全连接层、非线性激活层、Dropout层、全连层、非线性激活层和全连层；
步骤2-3：搭建指挥控制网络关键节点识别神经网络：
通过将最小指挥控制网络关键节点识别神经网络模块和分类神经网络模块串行组合，并添加支线构成指挥控制网络关键节点识别神经网络；神经网络主体结构由三个最小指挥控制网络关键节点识别神经网络模块和一个分类神经网络模块串行构成，在四个模块连接之间插入三条相同的前向支路，前向支路由二维卷积层和归一化层构成。
4.根据权利要求2所述的一种基于深度学习的指挥控制网络关键节点识别方法，其特征在于，步骤3中，基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练的具体方式为：
步骤3-1：前向传播
将多批样本数据X″′依次通过指挥控制网络关键节点识别神经网络得到预测的标签数据Z的对应概率，其过程描述为Z＝F(X″′)，其中基于学习数据集将B个样本学习数据构建为批样本学习数据X″′和批样本学习数据标签Y″′，维度分别为B×L×N×N和B，B为批数量；F代表指挥控制网络关键节点识别神经网络的数学处理过程；
步骤3-2：定义损失函数：
损失函数依据预测的标签数据Z和标签数据Y″的差距定义，给出二者之间的误差；
步骤3-3：依据损失函数计算误差，根据误差进行反向传播，并对神经网络参数优化；
步骤3-4：在测试数据集中评估神经网络的预测正确率，保存正确率最优的神经网络模型和参数。
5.根据权利要求4所述的一种基于深度学习的指挥控制网络关键节点识别方法，其特征在于，步骤4中，将数据集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点的具体方式为：
步骤4-1：加载保存的神经网络模型及参数：
步骤4-2：将测试数据集输入到指挥控制网络关键节点识别神经网络模型，得到关键节点对应的标号，实现指挥控制网络的关键节点的识别。
CN202111332644.7A 2021-11-11 2021-11-11 一种基于深度学习的指挥控制网络关键节点识别方法 Active CN114143210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111332644.7A CN114143210B (zh) 2021-11-11 2021-11-11 一种基于深度学习的指挥控制网络关键节点识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111332644.7A CN114143210B (zh) 2021-11-11 2021-11-11 一种基于深度学习的指挥控制网络关键节点识别方法

Publications (2)

Publication Number Publication Date
CN114143210A true CN114143210A (zh) 2022-03-04
CN114143210B CN114143210B (zh) 2024-05-03

Family

ID=80393595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111332644.7A Active CN114143210B (zh) 2021-11-11 2021-11-11 一种基于深度学习的指挥控制网络关键节点识别方法

Country Status (1)

Country Link
CN (1) CN114143210B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115189949A (zh) * 2022-07-11 2022-10-14 中国电子科技集团公司第十五研究所 一种基于全局信息的网络安全控制关键节点识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019079536A (ja) * 2017-10-23 2019-05-23 大国創新智能科技（東莞）有限公司 連合クラスタリング深層学習ニューラルネットワークに基づくデータ識別方法
CN111355616A (zh) * 2020-03-17 2020-06-30 电子科技大学 一种基于物理层数据的战术通信网关键节点识别方法
CN113392931A (zh) * 2021-07-02 2021-09-14 西安电子科技大学 基于自监督学习及多任务学习的高光谱开放集分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019079536A (ja) * 2017-10-23 2019-05-23 大国創新智能科技（東莞）有限公司 連合クラスタリング深層学習ニューラルネットワークに基づくデータ識別方法
CN111355616A (zh) * 2020-03-17 2020-06-30 电子科技大学 一种基于物理层数据的战术通信网关键节点识别方法
CN113392931A (zh) * 2021-07-02 2021-09-14 西安电子科技大学 基于自监督学习及多任务学习的高光谱开放集分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PENGHAO SUN等: "IMPROVING THE SCALABILITY OF DEEP REINFORCEMENT LEARNING-BASED ROUTING WITH CONTROL ON PARTIAL NODES", ICASSP 2020, 31 December 2020 (2020-12-31) *
汪黎明: "基于深度强化学习的复杂网络关键节点识别", 中国优秀硕士学位论文库, 31 December 2020 (2020-12-31) *
王运明;王青野;潘成胜;陈波;: "面向结构洞的指挥控制网络关键节点识别方法", 火力与指挥控制, no. 03, 15 March 2017 (2017-03-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115189949A (zh) * 2022-07-11 2022-10-14 中国电子科技集团公司第十五研究所 一种基于全局信息的网络安全控制关键节点识别方法

Also Published As

Publication number Publication date
CN114143210B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111898730A (zh) 一种利用图卷积神经网络结构加速的结构优化设计方法
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN114019370B (zh) 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN114861788A (zh) 一种基于dbscan聚类的负荷异常检测方法及系统
CN111325264A (zh) 一种基于熵的多标签数据分类方法
CN112307927A (zh) 基于bp网络针对非合作通信中mpsk信号的识别研究
CN115580445A (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN113297429A (zh) 一种基于神经网络架构搜索的社交网络链路预测方法
CN112116950A (zh) 基于深度度量学习的蛋白质折叠识别方法
CN114143210A (zh) 一种基于深度学习的指挥控制网络关键节点识别方法
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
CN114037001A (zh) 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法
CN113489514B (zh) 基于自组织映射神经网络的电力线通信噪声识别方法及装置
CN114238659A (zh) 智能设计网络安全架构图的方法
CN111797979A (zh) 基于lstm模型的振动传递系统
CN116720095A (zh) 一种基于遗传算法优化模糊c均值的电特性信号聚类方法
CN114358058A (zh) 基于深度神经网络的无线通信信号开集识别方法及系统
CN115618199A (zh) 一种针对专变用户智能负荷辨识的信号特征提取方法
Pidnebesna A Correlation-Based Sorting Algorithm of Inductive Modeling Using Argument Rating
CN113704570A (zh) 基于自监督学习式进化的大规模复杂网络社区检测方法
CN112529035B (zh) 识别不同电台个体种类的智能识别方法
CN113269217A (zh) 基于Fisher准则的雷达目标分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant