CN114727356B - 无人集群组网方法、装置和电子设备 - Google Patents

无人集群组网方法、装置和电子设备 Download PDF

Info

Publication number
CN114727356B
CN114727356B CN202210525853.1A CN202210525853A CN114727356B CN 114727356 B CN114727356 B CN 114727356B CN 202210525853 A CN202210525853 A CN 202210525853A CN 114727356 B CN114727356 B CN 114727356B
Authority
CN
China
Prior art keywords
unmanned
matrix
node
cluster
nodes
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.)
Active
Application number
CN202210525853.1A
Other languages
English (en)
Other versions
CN114727356A (zh
Inventor
姚海鹏
买天乐
诸葛鹏
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210525853.1A priority Critical patent/CN114727356B/zh
Publication of CN114727356A publication Critical patent/CN114727356A/zh
Application granted granted Critical
Publication of CN114727356B publication Critical patent/CN114727356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/023—Limited or focused flooding to selected areas of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/28—Connectivity information management, e.g. connectivity discovery or connectivity update for reactive routing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种无人集群组网方法、装置和电子设备，涉及通信的技术领域，包括：获取无人集群的网络拓扑和无人集群中每个无人节点的固有属性特征；基于所有无人节点的固有属性特征和预设图卷积核确定无人集群的融合属性特征矩阵；基于融合属性特征矩阵和网络拓扑对无人集群进行分簇，得到无人集群的分簇结果。本发明方法在对无人集群进行分簇时，不仅利用了无人集群中无人节点之间的拓扑关系，还采用了能够表征每个无人节点固有属性特征和其周围节点属性特征的融合属性特征，使得具有相似特征的无人节点更容易被分到同一个簇中，从而得到更好的分簇效果，进而有效地缓解了现有的无人集群组网方法存在的分簇效果差的技术问题。

Description

无人集群组网方法、装置和电子设备
技术领域
本发明涉及通信的技术领域，尤其是涉及一种无人集群组网方法、装置和电子设备。
背景技术
分簇是突破无人机组网扩展性瓶颈的有效措施，分簇的目的是将大型网络划分为子网，使网络更易于管理和扩展。传统的无人机聚类算法通常将无人机节点抽象为欧式结构数据样本，然后再进行分簇，且上述分簇方法执行的前提是将每个无人机视为独立的数据样本，这样操作极大地削弱了无人机网络中无人机之间的关联性。因此在将无人机网络按照上述方法分簇后，往往容易出现一个簇内连接时长过短和能耗消耗过快的情况，影响网络的稳定性。综上所述，现有的无人集群组网方法存在分簇效果差的问题。
发明内容
本发明的目的在于提供一种无人集群组网方法、装置和电子设备，以缓解了现有的无人集群组网方法存在的分簇效果差的技术问题。
第一方面，本发明提供一种无人集群组网方法，包括：获取无人集群的网络拓扑和所述无人集群中每个无人节点的固有属性特征；基于所有所述无人节点的固有属性特征和预设图卷积核确定所述无人集群的融合属性特征矩阵；其中，所述融合属性特征矩阵中的目标融合属性特征表征目标无人节点的固有属性特征和所述目标无人节点周围节点的属性特征；所述目标无人节点表示所述无人集群中的任意一个节点；基于所述融合属性特征矩阵和所述网络拓扑对所述无人集群进行分簇，得到所述无人集群的分簇结果。
在可选的实施方式中，获取无人集群的网络拓扑，包括：控制所述目标无人节点基于AODV协议向预设地理范围内洪泛通信数据包；对所述目标无人节点接收的响应数据包进行统计，确定各个所述响应数据包对应的发送节点；其中，所述响应数据包为所述发送节点基于所述通信数据包生成的响应数据包；基于各个所述响应数据包对应的发送节点确定所述目标无人节点的邻居节点；基于所述无人集群内所有无人节点的邻居节点构建所述无人集群的网络拓扑。
在可选的实施方式中，基于所有所述无人节点的固有属性特征和预设图卷积核确定所述无人集群的融合属性特征矩阵，包括：基于所有所述无人节点的固有属性特征构建所述无人集群的固有属性特征矩阵；利用所述预设图卷积核对所述固有属性特征矩阵进行预设次数的图卷积处理，得到所述无人集群的融合属性特征矩阵。
在可选的实施方式中，基于所述融合属性特征矩阵和所述网络拓扑对所述无人集群进行分簇，得到所述无人集群的分簇结果，包括：基于所述网络拓扑确定所述无人集群的邻接关系矩阵；基于所述融合属性特征矩阵计算所述无人集群的节点间相似度矩阵；基于所述节点间相似度矩阵和所述邻接关系矩阵确定所述无人集群的节点间边权重值矩阵；基于谱聚类算法和所述节点间边权重值矩阵对所述无人集群进行分簇处理，得到所述无人集群的分簇结果。
在可选的实施方式中，基于所述融合属性特征矩阵计算所述无人集群的节点间相似度矩阵，包括：对所述融合属性特征矩阵进行转置，得到目标转置矩阵；基于所述融合属性特征矩阵和所述目标转置矩阵确定所述无人集群的节点间相似度矩阵。
在可选的实施方式中，基于所述节点间相似度矩阵和所述邻接关系矩阵确定所述无人集群的节点间边权重值矩阵，包括：利用算式
Figure P_220510155414395_395440001
计算所述节点间边权重值矩阵；其中，
Figure P_220510155414430_430539002
表示t时刻所述节点间边权重值矩阵，
Figure P_220510155414446_446155003
表示t时刻所述节点间相似度矩阵，
Figure P_220510155414461_461782004
表示t时刻所述无人集群的邻接关系矩阵。
在可选的实施方式中，所述预设图卷积核表示为
Figure P_220510155414477_477402001
，其中，
Figure P_220510155414508_508676002
表示预设计算系数，且
Figure P_220510155414524_524310003
，
Figure P_220510155414539_539918004
表示单位矩阵，
Figure P_220510155414571_571175005
表示t时刻所述无人集群的邻接关系矩阵，
Figure P_220510155414586_586802006
表示
Figure P_220510155414604_604343007
的度矩阵，
Figure P_220510155414636_636108008
，
Figure P_220510155414651_651755009
表示无人节点
Figure P_220510155414667_667365010
在t时刻的度数，
Figure P_220510155414682_682993011
表示t时刻无人节点
Figure P_220510155414714_714245012
和无人节点
Figure P_220510155414729_729858013
的邻接关系值，若
Figure P_220510155414745_745490014
和
Figure P_220510155414761_761131015
是邻接关系，则
Figure P_220510155414776_776799016
，否则
Figure P_220510155414808_808934017
，
Figure P_220510155414825_825073018
表示所述无人集群中无人节点的数量。
第二方面，本发明提供一种无人集群组网装置，包括：获取模块，用于获取无人集群的网络拓扑和所述无人集群中每个无人节点的固有属性特征；确定模块，用于基于所有所述无人节点的固有属性特征和预设图卷积核确定所述无人集群的融合属性特征矩阵；其中，所述融合属性特征矩阵中的目标融合属性特征表征目标无人节点的固有属性特征和所述目标无人节点周围节点的属性特征；所述目标无人节点表示所述无人集群中的任意一个节点；分簇模块，用于基于所述融合属性特征矩阵和所述网络拓扑对所述无人集群进行分簇，得到所述无人集群的分簇结果。
第三方面，本发明提供一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述实施方式中任一项所述的方法的步骤。
第四方面，本发明提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行前述实施方式中任一项所述的方法。
本发明提供的无人集群组网方法，包括：获取无人集群的网络拓扑和无人集群中每个无人节点的固有属性特征；基于所有无人节点的固有属性特征和预设图卷积核确定无人集群的融合属性特征矩阵；其中，融合属性特征矩阵中的目标融合属性特征表征目标无人节点的固有属性特征和目标无人节点周围节点的属性特征；目标无人节点表示无人集群中的任意一个节点；基于融合属性特征矩阵和网络拓扑对无人集群进行分簇，得到无人集群的分簇结果。
与传统分簇方法相比，本发明提供的无人集群组网方法在对无人集群进行分簇时，不仅利用了无人集群中无人节点之间的拓扑关系，还采用图卷积的方式处理每个无人节点的固有属性特征，以得到能够表征每个无人节点固有属性特征和其周围节点属性特征的融合属性特征，根据融合属性特征矩阵和网络拓扑对无人集群进行分簇，能够使得具有相似特征的无人节点更容易被分到同一个簇中，得到更好的分簇效果，有效地缓解了现有的无人集群组网方法存在的分簇效果差的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种传统的无人机聚类算法对无人机集群进行分簇的结果示意图；
图2为本发明实施例提供的一种无人集群组网方法的流程图；
图3为本发明实施例提供的另一种无人集群组网方法的流程示意图；
图4为本发明实施例提供的利用无人集群组网方法将50架无人机分为3簇的示意图；
图5为本发明实施例提供的一种无人集群组网装置的功能模块图；
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
传统的无人机聚类算法通常将无人机节点抽象为欧氏结构数据样本，每个无人机都可以视为一个独立的数据样本，且每个无人机都有相应的固有属性值，例如能耗、稳定性等。算法根据各个无人机的固有属性值对无人机集群进行分簇，分簇后每个无人机都隶属于一个簇且只能属于一个簇。图1为传统的无人机聚类算法对无人机集群进行分簇的结果示意图。上文中所描述的这类算法主要包括两个阶段：第一阶段为预先确定簇的数量k，第二阶段的目标是最大化同簇无人机之间属性值之和（例如能量、稳定性）来确定无人机的簇归属。每个簇的成员节点经过多轮选择后，聚类结果逐渐收敛。
但由于上述传统的无人机聚类算法执行的前提是将每个无人机视为独立的数据样本，显然极大地削弱了无人机网络中无人机之间的关联性，因此在将无人机网络按照上述方法分簇后，往往容易出现一个簇内连接时长过短和能耗消耗过快的情况，严重影响网络的稳定性。有鉴于此，本发明实施例提供了一种无人集群组网方法，用以缓解上文中所提出的技术问题。
实施例一
图2为本发明实施例提供的一种无人集群组网方法的流程图，如图2所示，该方法具体包括如下步骤：
步骤S102，获取无人集群的网络拓扑和无人集群中每个无人节点的固有属性特征。
具体的，本发明实施例所提供的无人集群组网方法适用于无人机集群、无人车集群、无人船集群以及无人潜航器集群等进行组网（也即，分簇）的场景。为了能够更好的反映无人集群内部网络的真实情况，在对无人集群进行组网之前，不仅需要获取无人集群中每个无人节点的固有属性特征（例如：能耗、稳定性等属性特征），还需要将每个无人节点抽象为非欧几里得结构数据样本，并获取属于上述无人集群的无向的非欧氏图数据结构，也即，无人集群的网络拓扑，在该网络拓扑中，每个无人节点都被视为一个无序节点，并且拥有不同数量的邻居，网络拓扑能够反映出无人集群中各个无人节点与无人集群中其余节点之间的邻接关系。
步骤S104，基于所有无人节点的固有属性特征和预设图卷积核确定无人集群的融合属性特征矩阵。
传统的无人集群分组方法仅根据各个无人节点的固有属性特征对无人集群进行分簇，忽略了无人节点之间的关联性，因此，本发明实施例所提供组网的方法中，在将无人集群建模为图之后，利用图卷积的方式处理图数据（也即，所有无人节点的固有属性特征），通过图卷积核可以提取和变换特征，因此，根据所有无人节点的固有属性特征和预设图卷积核可确定出无人集群的融合属性特征矩阵，上述融合属性特征矩阵是由所有无人节点的融合属性特征构成的矩阵，其中，融合属性特征矩阵中的目标融合属性特征表征目标无人节点的固有属性特征和目标无人节点周围节点的属性特征；目标无人节点表示无人集群中的任意一个节点。
也就是说，目标无人节点的融合属性特征不仅能反应自身的特征属性，而且在一定程度上能够反应周围多跳邻居节点的属性特征。这种处理方式能有效地提高每个无人节点与其周围节点的相似度，使得后续的分簇更加容易和合理。
传统的卷积方式只能处理规则的图数据，不能处理各个节点之间存在关联性的非欧式数据。而本发明实施例利用图卷积的方式获取无人集群的融合属性特征矩阵，图卷积不但能够处理节点本身的信息，还能捕捉节点间的链接信息，这些链接信息中包含着节点之间的相互依赖关系，很大程度上能影响节点特征提取的准确性。
步骤S106，基于融合属性特征矩阵和网络拓扑对无人集群进行分簇，得到无人集群的分簇结果。
在本发明实施例中，除了学习无人节点特征表达时考虑到了无人节点之间的邻接关系，在对无人集群进行分簇时，同样也要将无人集群内部无人节点之间的邻接关系纳入考虑范围，因此，本发明实施例不是单纯采用散点聚类的方式对无人集群进行分簇，而是选择根据无人集群的融合属性特征矩阵及其网络拓扑，利用图分割的技术对上述无人集群进行分簇，进而得到更加合理的分簇组网结果。
与传统分簇方法相比，本发明提供的无人集群组网方法在对无人集群进行分簇时，不仅利用了无人集群中无人节点之间的拓扑关系，还采用图卷积的方式处理每个无人节点的固有属性特征，以得到能够表征每个无人节点固有属性特征和其周围节点属性特征的融合属性特征，根据融合属性特征矩阵和网络拓扑对无人集群进行分簇，能够使得具有相似特征的无人节点更容易被分到同一个簇中，得到更好的分簇效果，有效地缓解了现有的无人集群组网方法存在的分簇效果差的技术问题。
在一个可选的实施方式中，上述步骤S102中，获取无人集群的网络拓扑，具体包括如下步骤：
步骤S1021，控制目标无人节点基于AODV协议向预设地理范围内洪泛通信数据包。
步骤S1022，对目标无人节点接收的响应数据包进行统计，确定各个响应数据包对应的发送节点。
其中，响应数据包为发送节点基于通信数据包生成的响应数据包。
步骤S1023，基于各个响应数据包对应的发送节点确定目标无人节点的邻居节点。
步骤S1024，基于无人集群内所有无人节点的邻居节点构建无人集群的网络拓扑。
具体的，要确定无人集群的网络拓扑，则需要确定无人机集群中哪些无人节点之间能够通信，能够通信的节点即互为邻居节点。因此，首先控制目标无人节点
Figure P_220510155414840_840725001
基于AODV协议（Ad hoc On-Demand Distance Vector Routing，无线自组网按需平面距离向量路由协议）向预设地理范围内洪泛通信数据包，当目标无人节点
Figure P_220510155414871_871962002
通过AODV协议广播RouteRequest（RREQ）消息（也即，通信数据包）时，若无人节点
Figure P_220510155414887_887559003
在
Figure P_220510155414918_918825004
的通信范围内，
Figure P_220510155414934_934445005
就会收到来自
Figure P_220510155414950_950068006
的RREQ消息。那么
Figure P_220510155414981_981333007
需要根据RREQ消息生成一个反向路由，并回复一个RouteReply（RREP）消息（也即，响应数据包）给
Figure P_220510155415017_017426008
。
Figure P_220510155415033_033567009
将收到来自
Figure P_220510155415049_049182010
的RREP，这标志着两架无人机之间通信链路的建立。如果
Figure P_220510155415064_064818011
回复了RREP消息，但
Figure P_220510155415096_096060012
未能接收，同样认为
Figure P_220510155415111_111691013
和
Figure P_220510155415127_127323014
无法相互通信。一般地，只有当两个无人节点之间的物理距离小于节点之间通信距离的最小值时，才能建立通信链路。
因此，在统计出目标无人节点接收到的响应数据包的情况之后，即可确定出各个响应数据包对应的发送节点，显然，上述响应数据包的发送节点均为目标无人节点的邻居节点。以此类推，可确定出无人集群中每个无人节点的邻居节点，综合所有节点之间的邻接关系，即可构建出无人集群的网络拓扑，由于邻接无人节点之间是双向通信，所以相当于通过建模得到了无向的非欧氏图数据结构。
在本发明实施例中，邻接关系包括：邻接，不邻接，两个节点是邻接关系即表示这两个节点互为邻居节点，反之，两个节点是不邻接关系即表示这两个节点不是邻居节点，无法通信。在一个时隙t内，每个无人节点只能确定自身的属性特征，而不知道其邻居节点的特征，但在无人节点之间建立了通信连接之后，即可互相发送包括各自属性特征的数据包。
在一个可选的实施方式中，上述步骤S104，基于所有无人节点的固有属性特征和预设图卷积核确定无人集群的融合属性特征矩阵，具体包括如下步骤：
步骤S1041，基于所有无人节点的固有属性特征构建无人集群的固有属性特征矩阵。
步骤S1042，利用预设图卷积核对固有属性特征矩阵进行预设次数的图卷积处理，得到无人集群的融合属性特征矩阵。
图卷积本质上是一个特征提取器，通过图卷积核可以提取和变换特征，因此，通过合理的地设计图卷积核，就能得到无人节点的融合属性特征。为了充分挖掘无人集群中各个无人节点的隐藏特征，并将其与各自固有属性特征进行融合，得到融合属性特征，在本发明实施例中，进行图卷积处理之前，首先根据所有无人节点的固有属性特征构建无人集群的固有属性特征矩阵，如果固有属性特征分为P种，无人集群V中共包括|V|个无人节点，那么上述固有属性特征矩阵可为|V|行P列矩阵，矩阵中的每一行元素即代表一个无人节点的固有属性特征。
在得到无人集群的固有属性特征矩阵之后，利用预设图卷积核对固有属性特征矩阵进行预设次数的图卷积处理，即可得到无人集群的融合属性特征矩阵，本发明实施例不对图卷积处理的次数进行具体限定，针对任一无人节点来说，图卷积处理的次数越多，就能越全面的收集网络中其它节点对自身节点的影响，但跳数越大的邻居节点，对本身节点特征更新的贡献也越小。
第一次图卷积的处理过程可表示为：
Figure P_220510155415142_142948001
，其中，
Figure P_220510155415174_174181002
表示预设图卷积核，
Figure P_220510155415189_189820003
表示无人集群的固有属性特征矩阵，也即经过0次图卷积的属性特征矩阵，
Figure P_220510155415222_222542004
表示1次图卷积后得到的融合属性特征矩阵，因为所有的计算都是以时隙为单位的计算，所以上述每个变量上方均标注有时刻t。
在一个可选的实施方式中，预设图卷积核表示为
Figure P_220510155415238_238171001
，其中，
Figure P_220510155415269_269448002
表示预设计算系数，且
Figure P_220510155415285_285040003
，
Figure P_220510155415300_300669004
表示单位矩阵，
Figure P_220510155415331_331904005
表示t时刻无人集群的邻接关系矩阵，
Figure P_220510155415347_347527006
表示
Figure P_220510155415363_363145007
的度矩阵，
Figure P_220510155415394_394419008
，
Figure P_220510155415411_411475009
表示无人节点
Figure P_220510155415427_427596010
在t时刻的度数，
Figure P_220510155415458_458862011
表示t时刻无人节点
Figure P_220510155415474_474493012
和无人节点
Figure P_220510155415490_490118013
的邻接关系值，若
Figure P_220510155415521_521377014
和
Figure P_220510155415552_552618015
是邻接关系，则
Figure P_220510155415568_568245016
，否则
Figure P_220510155415583_583847017
，
Figure P_220510155415599_599498018
表示无人集群中无人节点的数量。
具体的，如果将
Figure P_220510155415616_616055001
的每一列视为图形信号，则
Figure P_220510155415647_647834002
可以视为频率响应滤波器，因此，可参考频率响应滤波器的构造来构造图卷积核。已知归一化的拉普拉斯矩阵
Figure P_220510155415663_663461003
表示为：
Figure P_220510155415679_679081004
，度矩阵
Figure P_220510155415710_710332005
是一个对角矩阵，显然，归一化的拉普拉斯矩阵
Figure P_220510155415725_725957006
是一个半正定矩阵，因此，
Figure P_220510155415741_741580007
可以正交分解为
Figure P_220510155415772_772853008
，其中，
Figure P_220510155415788_788453009
表示是由一系列单位正交向量组成的矩阵，
Figure P_220510155415820_820704010
是对角矩阵，
Figure P_220510155415836_836781011
是
Figure P_220510155415852_852444012
的特征值。由此可知，频率响应滤波器
Figure P_220510155415883_883696013
应设计为
Figure P_220510155415899_899324014
，其中，h表示频率响应滤波器
Figure P_220510155415930_930574015
的频率响应函数。
为了后续分簇效果更好，所以应该尽可能将附近的无人节点分成一个集群，因此，通过频率响应滤波器后，应尽可能提高附近节点的相似度，而节点特征的相似性与图信号的平滑度相匹配，当低频信号多于高频信号时，图形信号应该更平滑。因此，
Figure P_220510155415946_946192001
应该是一个低通滤波器，在本发明实施例中，滤波器
Figure P_220510155415961_961809002
的频率响应函数表示为：
Figure P_220510155415977_977450003
，所以
Figure P_220510155416009_009639004
，将
Figure P_220510155416025_025755005
代入上式，即可得到
Figure P_220510155416057_057023006
。
由此可知，无人集群的固有属性特征矩阵经过1次图卷积计算后得到的融合属性特征矩阵
Figure P_220510155416072_072641001
，也即，单跳邻居特征融合可表示为：
Figure P_220510155416103_103928002
。以此类推，z轮迭代之后，无人集群的融合属性特征矩阵
Figure P_220510155416135_135134003
的表达式为：
Figure P_220510155416150_150763004
。
在一个可选的实施方式中，上述步骤S106，基于融合属性特征矩阵和网络拓扑对无人集群进行分簇，得到无人集群的分簇结果，具体包括如下步骤：
步骤S1061，基于网络拓扑确定无人集群的邻接关系矩阵。
具体的，基站可以完全感知整个无人集群，它不仅不断收集和更新每个无人节点的融合属性特征，还能根据每个无人节点的邻居集合总结出全局邻接关系，所以无人集群可以建模为图结构，其中融合属性特征是节点属性值。本发明实施例所提供的无人集群组网方法的执行主体可以为基站，也即，基站对无人集群进行分簇聚类。
已知根据网络拓扑即可确定出所有节点之间的邻接关系，上文中已经对节点之间的邻接关系进行了详细介绍，因此，可以进一步的确定出无人集群V的邻接关系矩阵
Figure P_220510155416197_197657001
，邻接关系矩阵
Figure P_220510155416214_214198002
中元素
Figure P_220510155416246_246003003
表示t时刻无人节点
Figure P_220510155416261_261626004
和无人节点
Figure P_220510155416277_277237005
的邻接关系值，若
Figure P_220510155416308_308504006
和
Figure P_220510155416324_324130007
是邻接关系，则
Figure P_220510155416355_355351008
，否则
Figure P_220510155416370_370980009
。
步骤S1062，基于融合属性特征矩阵计算无人集群的节点间相似度矩阵。
步骤S1063，基于节点间相似度矩阵和邻接关系矩阵确定无人集群的节点间边权重值矩阵。
本发明实施例采用改进后的谱聚类算法对无人集群进行分簇聚类，已知谱聚类算法是使用数据相似矩阵的谱（特征值）来降低维数，它将数据视为空间中的节点，节点对由边连接，节点距离越远，其边的权重越小，距离越近，其边的权重越大。谱聚类算法将聚类问题转化为图割问题，目的是使图割后的总成本最小化，也即，子图中节点对之间的边权重较大，子图之间的边权重较小，最终得到切割后的子图个数就是簇的个数。
因此，在得到融合属性特征矩阵之后，应将其转换为边的权重矩阵（也即，节点间边权重值矩阵）。具体的，本发明实施例首先应用线性核来学习节点之间成对的相似度，得到节点间相似度矩阵，然后再根据节点间相似度矩阵和邻接关系矩阵确定无人集群的节点间边权重值矩阵。
固有属性特征经过一次或多次图卷积处理之后，各个无人节点的融合属性特征已经收集到其一跳或多跳邻居节点的属性特征影响，根据融合属性特征矩阵可以得到各个无人节点的融合属性特征，进一步的，根据各个无人节点的融合属性特征即可计算出无人集群中多对无人节点之间的相似度，进而构建出无人集群的节点间相似度矩阵。
在一个可选的实施方式中，上述步骤S1062，基于融合属性特征矩阵计算无人集群的节点间相似度矩阵，具体包括以下内容：
首先，对融合属性特征矩阵进行转置，得到目标转置矩阵；然后，基于融合属性特征矩阵和目标转置矩阵确定无人集群的节点间相似度矩阵。
在本发明实施例中，无人集群的节点间相似度矩阵的计算可通过以下算式计算得到：
Figure P_220510155416404_404639001
，其中，
Figure P_220510155416420_420787002
表示t时刻无人集群的节点间相似度矩阵。
在一个可选的实施方式中，上述步骤S1063，基于节点间相似度矩阵和邻接关系矩阵确定无人集群的节点间边权重值矩阵，具体包括如下内容：
利用算式
Figure P_220510155416452_452034001
计算节点间边权重值矩阵；其中，
Figure P_220510155416467_467681002
表示t时刻节点间边权重值矩阵，
Figure P_220510155416498_498900003
表示t时刻节点间相似度矩阵，
Figure P_220510155416514_514552004
表示t时刻无人集群的邻接关系矩阵。
步骤S1064，基于谱聚类算法和节点间边权重值矩阵对无人集群进行分簇处理，得到无人集群的分簇结果。
在得到节点间边权重值矩阵之后，首先根据节点间边权重值矩阵计算谱聚类的度矩阵
Figure P_220510155416545_545785001
，其中，度矩阵中的元素
Figure P_220510155416561_561412002
，
Figure P_220510155416608_608541003
为节点间边权重值矩阵
Figure P_220510155416625_625364004
中的元素，表示无人节点
Figure P_220510155416640_640990005
与无人节点
Figure P_220510155416672_672284006
之间边的权重值。接下来，计算归一化的谱聚类拉普拉斯矩阵
Figure P_220510155416687_687857007
，然后，根据无人集群的预设分簇数量k和
Figure P_220510155416719_719118008
即可确定出k个最小的特征值和对应的特征向量f，再将各自对应的特征向量f组成的矩阵按行标准化，组成n×k维的特征矩阵F，其中，n=|V|。最后对特征矩阵F中的每一个行作为一个k个维度的样本，共得到n个样本，采用聚类方法对n个样本进行聚类(例如K-Means聚类)，最终划分出的k簇即为无人集群的分簇结果。基站在得到分簇结果之后，即可将上述结果反馈给每个无人节点，以使每个无人节点知晓自身属于哪个簇。
图3为本发明实施例提供的另一种无人集群组网方法的流程示意图，发明人对本发明实施例所提供的组网方法进行了验证，图4为利用无人集群组网方法将50架无人机分为3簇的示意图，实验证明，与传统分簇方法得到的组网结果相比，利用本发明方法所确定的簇，一个簇内连接时长能够得到有效延长，能耗消耗速度更慢。
综上所述，本发明实施例提供的无人集群组网方法在对无人集群进行分簇的过程中，始终以图数据的思维对无人集群进行相应的建模和计算，相比于传统的分簇方案，通过将无人集群建模为无向的非欧氏图数据结构，可以更好的反应无人集群内网络的真实情况，基于图的分簇算法可获得更好的分簇效果；并且，本发明实施例采用了图卷积的方式处理每个无人节点的属性特征值，每个无人节点多次与相邻节点交换特征以获得自己的融合属性特征，通过融合属性特征进行聚类时，具有相似特征的无人节点更容易被分组到同一个簇中；进一步的，利用谱聚类的分簇策略进行分簇，不仅考虑了无人节点本身的属性特征值，还将无人集群中节点间边的权值也作为分簇的考虑条件，从而实现更合理的分簇组网。
实施例二
本发明实施例还提供了一种无人集群组网装置，该无人集群组网装置主要用于执行上述实施例一所提供的无人集群组网方法，以下对本发明实施例提供的无人集群组网装置做具体介绍。
图5是本发明实施例提供的一种无人集群组网装置的功能模块图，如图5所示，该装置主要包括：获取模块10，确定模块20，分簇模块30，其中：
获取模块10，用于获取无人集群的网络拓扑和无人集群中每个无人节点的固有属性特征。
确定模块20，用于基于所有无人节点的固有属性特征和预设图卷积核确定无人集群的融合属性特征矩阵；其中，融合属性特征矩阵中的目标融合属性特征表征目标无人节点的固有属性特征和目标无人节点周围节点的属性特征；目标无人节点表示无人集群中的任意一个节点。
分簇模块30，用于基于融合属性特征矩阵和网络拓扑对无人集群进行分簇，得到无人集群的分簇结果。
与传统分簇方法相比，本发明实施例提供的无人集群组网装置所执行的无人集群组网方法在对无人集群进行分簇时，不仅利用了无人集群中无人节点之间的拓扑关系，还采用图卷积的方式处理每个无人节点的固有属性特征，以得到能够表征每个无人节点固有属性特征和其周围节点属性特征的融合属性特征，根据融合属性特征矩阵和网络拓扑对无人集群进行分簇，能够使得具有相似特征的无人节点更容易被分到同一个簇中，得到更好的分簇效果，有效地缓解了现有的无人集群组网方法存在的分簇效果差的技术问题。
可选地，获取模块10包括：
控制单元，用于控制目标无人节点基于AODV协议向预设地理范围内洪泛通信数据包。
统计单元，用于对目标无人节点接收的响应数据包进行统计，确定各个响应数据包对应的发送节点；其中，响应数据包为发送节点基于通信数据包生成的响应数据包。
第一确定单元，用于基于各个响应数据包对应的发送节点确定目标无人节点的邻居节点。
第一构建单元，用于基于无人集群内所有无人节点的邻居节点构建无人集群的网络拓扑。
可选地，确定模块20包括：
第二构建单元，用于基于所有无人节点的固有属性特征构建无人集群的固有属性特征矩阵。
图卷积处理单元，用于利用预设图卷积核对固有属性特征矩阵进行预设次数的图卷积处理，得到无人集群的融合属性特征矩阵。
可选地，分簇模块30包括：
第二确定单元，用于基于网络拓扑确定无人集群的邻接关系矩阵。
计算单元，用于基于融合属性特征矩阵计算无人集群的节点间相似度矩阵。
第三确定单元，用于基于节点间相似度矩阵和邻接关系矩阵确定无人集群的节点间边权重值矩阵。
分簇单元，用于基于谱聚类算法和节点间边权重值矩阵对无人集群进行分簇处理，得到无人集群的分簇结果。
可选地，计算单元具体用于：
对融合属性特征矩阵进行转置，得到目标转置矩阵。
基于融合属性特征矩阵和目标转置矩阵确定无人集群的节点间相似度矩阵。
可选地，第三确定单元具体用于：
利用算式
Figure P_220510155416750_750361001
计算节点间边权重值矩阵；其中，
Figure P_220510155416765_765982002
表示t时刻节点间边权重值矩阵，
Figure P_220510155416797_797257003
表示t时刻节点间相似度矩阵，
Figure P_220510155416814_814297004
表示t时刻无人集群的邻接关系矩阵。
可选地，预设图卷积核表示为
Figure P_220510155416846_846064001
，其中，
Figure P_220510155416861_861690002
表示预设计算系数，且
Figure P_220510155416877_877325003
，
Figure P_220510155416908_908580004
表示单位矩阵，
Figure P_220510155416924_924264005
表示t时刻无人集群的邻接关系矩阵，
Figure P_220510155416955_955464006
表示
Figure P_220510155416971_971064007
的度矩阵，
Figure P_220510155417003_003264008
，
Figure P_220510155417019_019395009
表示无人节点
Figure P_220510155417035_035037010
在t时刻的度数，
Figure P_220510155417066_066292011
表示t时刻无人节点
Figure P_220510155417081_081967012
和无人节点
Figure P_220510155417097_097537013
的邻接关系值，若
Figure P_220510155417128_128784014
和
Figure P_220510155417144_144421015
是邻接关系，则
Figure P_220510155417160_160041016
，否则
Figure P_220510155417191_191294017
，
Figure P_220510155417207_207852018
表示无人集群中无人节点的数量。
实施例三
参见图6，本发明实施例提供了一种电子设备，该电子设备包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种无人集群组网方法、装置和电子设备的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种无人集群组网方法，其特征在于，包括：
获取无人集群的网络拓扑和所述无人集群中每个无人节点的固有属性特征；
基于所有所述无人节点的固有属性特征和预设图卷积核确定所述无人集群的融合属性特征矩阵；其中，所述融合属性特征矩阵中的目标融合属性特征表征目标无人节点的固有属性特征和所述目标无人节点周围节点的固有属性特征；所述目标无人节点表示所述无人集群中的任意一个节点；
基于所述融合属性特征矩阵和所述网络拓扑对所述无人集群进行分簇，得到所述无人集群的分簇结果；
其中，基于所有所述无人节点的固有属性特征和预设图卷积核确定所述无人集群的融合属性特征矩阵，包括：
基于所有所述无人节点的固有属性特征构建所述无人集群的固有属性特征矩阵；
利用所述预设图卷积核对所述固有属性特征矩阵进行预设次数的图卷积处理，得到所述无人集群的融合属性特征矩阵；
其中，基于所述融合属性特征矩阵和所述网络拓扑对所述无人集群进行分簇，得到所述无人集群的分簇结果，包括：
基于所述网络拓扑确定所述无人集群的邻接关系矩阵；
基于所述融合属性特征矩阵计算所述无人集群的节点间相似度矩阵；
基于所述节点间相似度矩阵和所述邻接关系矩阵确定所述无人集群的节点间边权重值矩阵；
基于谱聚类算法和所述节点间边权重值矩阵对所述无人集群进行分簇处理，得到所述无人集群的分簇结果；
其中，基于所述融合属性特征矩阵计算所述无人集群的节点间相似度矩阵，包括：
对所述融合属性特征矩阵进行转置，得到目标转置矩阵；
基于所述融合属性特征矩阵和所述目标转置矩阵确定所述无人集群的节点间相似度矩阵；
其中，基于所述节点间相似度矩阵和所述邻接关系矩阵确定所述无人集群的节点间边权重值矩阵，包括：
利用算式
Figure P_220727091234008_008342001
计算所述节点间边权重值矩阵；其中，
Figure P_220727091234055_055221002
表示t时刻所述节点间边权重值矩阵，
Figure P_220727091234072_072754003
表示t时刻所述节点间相似度矩阵，
Figure P_220727091234104_104523004
表示t时刻所述无人集群的邻接关系矩阵；
其中，所述预设图卷积核表示为
Figure P_220727091234120_120160001
，其中，
Figure P_220727091234151_151425002
表示预设计算系数，且
Figure P_220727091234167_167056003
，
Figure P_220727091234198_198282004
表示单位矩阵，
Figure P_220727091234213_213904005
表示t时刻所述无人集群的邻接关系矩阵，
Figure P_220727091234245_245167006
表示
Figure P_220727091234264_264146007
的度矩阵，
Figure P_220727091234280_280317008
，
Figure P_220727091234311_311547009
表示无人节点
Figure P_220727091234327_327281010
在t时刻的度数，
Figure P_220727091234358_358467011
表示t时刻无人节点
Figure P_220727091234374_374049012
和无人节点
Figure P_220727091234405_405297013
的邻接关系值，若
Figure P_220727091234420_420955014
和
Figure P_220727091234452_452224015
是邻接关系，则
Figure P_220727091234470_470228016
，否则
Figure P_220727091234486_486357017
，
Figure P_220727091234517_517624018
表示所述无人集群中无人节点的数量。
2.根据权利要求1所述的方法，其特征在于，获取无人集群的网络拓扑，包括：
控制所述目标无人节点基于AODV协议向预设地理范围内洪泛通信数据包；
对所述目标无人节点接收的响应数据包进行统计，确定各个所述响应数据包对应的发送节点；其中，所述响应数据包为所述发送节点基于所述通信数据包生成的响应数据包；
基于各个所述响应数据包对应的发送节点确定所述目标无人节点的邻居节点；
基于所述无人集群内所有无人节点的邻居节点构建所述无人集群的网络拓扑。
3.一种无人集群组网装置，其特征在于，包括：
获取模块，用于获取无人集群的网络拓扑和所述无人集群中每个无人节点的固有属性特征；
确定模块，用于基于所有所述无人节点的固有属性特征和预设图卷积核确定所述无人集群的融合属性特征矩阵；其中，所述融合属性特征矩阵中的目标融合属性特征表征目标无人节点的固有属性特征和所述目标无人节点周围节点的固有属性特征；所述目标无人节点表示所述无人集群中的任意一个节点；
分簇模块，用于基于所述融合属性特征矩阵和所述网络拓扑对所述无人集群进行分簇，得到所述无人集群的分簇结果；
其中，确定模块包括：
第二构建单元，用于基于所有所述无人节点的固有属性特征构建所述无人集群的固有属性特征矩阵；
图卷积处理单元，用于利用所述预设图卷积核对所述固有属性特征矩阵进行预设次数的图卷积处理，得到所述无人集群的融合属性特征矩阵；
其中，分簇模块包括：
第二确定单元，用于基于所述网络拓扑确定所述无人集群的邻接关系矩阵；
计算单元，用于基于所述融合属性特征矩阵计算所述无人集群的节点间相似度矩阵；
第三确定单元，用于基于所述节点间相似度矩阵和所述邻接关系矩阵确定所述无人集群的节点间边权重值矩阵；
分簇单元，用于基于谱聚类算法和所述节点间边权重值矩阵对所述无人集群进行分簇处理，得到所述无人集群的分簇结果；
其中，计算单元具体用于：
对所述融合属性特征矩阵进行转置，得到目标转置矩阵；
基于所述融合属性特征矩阵和所述目标转置矩阵确定所述无人集群的节点间相似度矩阵；
其中，第三确定单元具体用于：
利用算式
Figure P_220727091234533_533244001
计算所述节点间边权重值矩阵；其中，
Figure P_220727091234564_564504002
表示t时刻所述节点间边权重值矩阵，
Figure P_220727091234580_580110003
表示t时刻所述节点间相似度矩阵，
Figure P_220727091234611_611373004
表示t时刻所述无人集群的邻接关系矩阵；
其中，所述预设图卷积核表示为
Figure P_220727091234626_626991001
，其中，
Figure P_220727091234658_658241002
表示预设计算系数，且
Figure P_220727091234675_675787003
，
Figure P_220727091234691_691934004
表示单位矩阵，
Figure P_220727091234723_723193005
表示t时刻所述无人集群的邻接关系矩阵，
Figure P_220727091234738_738823006
表示
Figure P_220727091234770_770059007
的度矩阵，
Figure P_220727091234801_801315008
，
Figure P_220727091234816_816949009
表示无人节点
Figure P_220727091234848_848182010
在t时刻的度数，
Figure P_220727091234866_866705011
表示t时刻无人节点
Figure P_220727091234898_898550012
和无人节点
Figure P_220727091234914_914087013
的邻接关系值，若
Figure P_220727091234929_929718014
和
Figure P_220727091234960_960982015
是邻接关系，则
Figure P_220727091234992_992222016
，否则
Figure P_220727091235007_007850017
，
Figure P_220727091235039_039089018
表示所述无人集群中无人节点的数量。
4.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至2中任一项所述的方法的步骤。
5.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行权利要求1至2中任一项所述的方法。
CN202210525853.1A 2022-05-16 2022-05-16 无人集群组网方法、装置和电子设备 Active CN114727356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210525853.1A CN114727356B (zh) 2022-05-16 2022-05-16 无人集群组网方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210525853.1A CN114727356B (zh) 2022-05-16 2022-05-16 无人集群组网方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN114727356A CN114727356A (zh) 2022-07-08
CN114727356B true CN114727356B (zh) 2022-08-26

Family

ID=82230801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210525853.1A Active CN114727356B (zh) 2022-05-16 2022-05-16 无人集群组网方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN114727356B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329985B (zh) * 2022-09-07 2023-10-27 北京邮电大学 无人集群智能模型训练方法、装置和电子设备
CN116367178B (zh) * 2023-05-31 2023-07-25 北京邮电大学 无人集群自适应组网方法与装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109041127A (zh) * 2018-09-26 2018-12-18 北航（四川）西部国际创新港科技有限公司 适于高动态无线网络的负载均衡的自适应稳定分簇方法和系统
CN109819495A (zh) * 2019-03-15 2019-05-28 北京科技大学 一种集群无人机自组网分簇方法
CN110312292A (zh) * 2019-07-04 2019-10-08 哈尔滨工业大学 一种无人机自组网动态加权簇首选举方法
CN110427030A (zh) * 2019-08-08 2019-11-08 上海大学 一种基于Tiny-YOLOship目标检测算法的无人艇自主对接回收方法
CN111126126A (zh) * 2019-10-21 2020-05-08 武汉大学 一种基于图卷积神经网络的视频智能拆条方法
CN112906824A (zh) * 2021-03-29 2021-06-04 苏州科达科技股份有限公司 车辆聚类方法、系统、设备及存储介质
CN113271643A (zh) * 2021-03-06 2021-08-17 南京航空航天大学 一种多节点协作无人机自组网分簇拓扑重构方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10771488B2 (en) * 2018-04-10 2020-09-08 Cisco Technology, Inc. Spatio-temporal anomaly detection in computer networks using graph convolutional recurrent neural networks (GCRNNs)
US11816149B2 (en) * 2020-02-11 2023-11-14 Samsung Electronics Co., Ltd. Electronic device and control method thereof
CN111601356B (zh) * 2020-04-17 2023-12-29 绍兴市上虞区舜兴电力有限公司 一种无线紫外光协作无人机隐秘动态分簇系统及方法
CN113922899B (zh) * 2021-09-24 2023-10-24 中国人民解放军军事科学院国防科技创新研究院 基于神经网络和Welch变换的频谱感知接入方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109041127A (zh) * 2018-09-26 2018-12-18 北航（四川）西部国际创新港科技有限公司 适于高动态无线网络的负载均衡的自适应稳定分簇方法和系统
CN109819495A (zh) * 2019-03-15 2019-05-28 北京科技大学 一种集群无人机自组网分簇方法
CN110312292A (zh) * 2019-07-04 2019-10-08 哈尔滨工业大学 一种无人机自组网动态加权簇首选举方法
CN110427030A (zh) * 2019-08-08 2019-11-08 上海大学 一种基于Tiny-YOLOship目标检测算法的无人艇自主对接回收方法
CN111126126A (zh) * 2019-10-21 2020-05-08 武汉大学 一种基于图卷积神经网络的视频智能拆条方法
CN113271643A (zh) * 2021-03-06 2021-08-17 南京航空航天大学 一种多节点协作无人机自组网分簇拓扑重构方法
CN112906824A (zh) * 2021-03-29 2021-06-04 苏州科达科技股份有限公司 车辆聚类方法、系统、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Clustering and Graph Convolution of Sub-Regions for Unsupervised Image Segmentation;Xue Jiao;《IEEE Access 》;20220207;全文 *
ON GRAPH CONVOLUTION FOR GRAPH CNNS;Jian Du 等;《2018 IEEE Data Science Workshop (DSW)》;20180820;全文 *
图卷积神经网络综述;徐冰冰 等;《计算机学报》;20200605;第43卷(第5期);全文 *

Also Published As

Publication number Publication date
CN114727356A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN114727356B (zh) 无人集群组网方法、装置和电子设备
CN114077811B (zh) 一种基于图神经网络的电力物联网设备异常检测方法
Huang et al. Resilient routing mechanism for wireless sensor networks with deep learning link reliability prediction
Karami et al. Choosing DBSCAN parameters automatically using differential evolution
CN110166344B (zh) 一种身份标识识别方法、装置以及相关设备
CN109587144B (zh) 网络安全检测方法、装置及电子设备
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
Fan et al. DisLoc: A convex partitioning based approach for distributed 3-D localization in wireless sensor networks
CN107517201A (zh) 一种基于时序移除的网络脆弱性辨识方法
CN113992349B (zh) 恶意流量识别方法、装置、设备和存储介质
Ahuja et al. Ascertain the efficient machine learning approach to detect different ARP attacks
CN113190939A (zh) 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法
KR101878213B1 (ko) 가중치 그래프를 요약하는 방법, 장치 및 컴퓨터 프로그램
Long et al. Research on applying hierachical clustered based routing technique using artificial intelligence algorithms for quality of service of service based routing
CN109257763B (zh) 无线传感器二维网络边界节点的判断方法
CN115189949B (zh) 一种基于全局信息的网络安全控制关键节点识别方法
CN116193425A (zh) 一种基于感知分组的时间序列异常数据在线检测方法
CN114745283B (zh) 网络信息保护方法、装置和电子设备
CN113114677B (zh) 一种僵尸网络检测方法及装置
CN114362972B (zh) 一种基于流量摘要和图采样的僵尸网络混合检测方法及系统
CN115955323A (zh) 一种网络安全态势感知方法、装置及电子设备
CN116367178B (zh) 无人集群自适应组网方法与装置
Zhu et al. Boundary-free skeleton extraction and its evaluation in sensor networks
Papadopoulos Novel graph analytics for enhancing data insight
Zhang et al. BLS-identification: a device fingerprint classification mechanism based on broad learning for internet of things

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
GR01 Patent grant