CN117336187B - 一种基于连边间关联的无人机通信网络推断方法 - Google Patents
一种基于连边间关联的无人机通信网络推断方法 Download PDFInfo
- Publication number
- CN117336187B CN117336187B CN202311616007.1A CN202311616007A CN117336187B CN 117336187 B CN117336187 B CN 117336187B CN 202311616007 A CN202311616007 A CN 202311616007A CN 117336187 B CN117336187 B CN 117336187B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- association
- aerial vehicle
- causal
- edge
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000001364 causal effect Effects 0.000 claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000012546 transfer Methods 0.000 claims abstract description 28
- 230000004931 aggregating effect Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 24
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 4
- 230000006872 improvement Effects 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于连边间关联的无人机通信网络推断方法,属于网络拓扑推断技术领域,解决了现有未考虑无人机通信连边间的关联程度而导致在群智能场景下的无人机通信网络推断准确率低的问题。包括:根据观测到的无人机通信时间序列,计算无人机间的传递熵值,构建因果关联网络;基于因果关联网络,根据三种干扰因子结构构建对应的因果封闭子图;从无人机间的传递熵值和三种因果封闭子图中聚合出连边特征;根据连边特征计算高斯相似度函数值,构建关联权重矩阵,根据关联权重矩阵更新初始化的关联矩阵;根据连边特征和关联矩阵得到融合特征后输入多层感知机分类器中推断出无人机通信网络拓扑。实现了通信网络推断准确率的提高。
Description
技术领域
本发明涉及网络拓扑推断技术领域,尤其涉及一种基于连边间关联的无人机通信网络推断方法。
背景技术
随着无人机技术的迅猛发展,无人机集群已广泛用于远程监控、通信中继和协同救援等多个领域,无人机的智能行为和协同工作对于这些应用至关重要。而无人机间的无线通信网络作为支撑无人机集群协同的基础设施,在这一过程中扮演着关键的角色。了解无人机通信网络的拓扑结构是理解和分析无人机集群行为的关键,因为它可以揭示无人机之间的通信关系和连接模式,从而有助于预测和调控无人机集群的行动。然而,由于常用的飞行自组织网络的灵活性和自组织性,在实际应用中我们通常只能获得有限的网络拓扑信息。因此,研究如何在有限信息条件下对未知的无人机通信网络拓扑进行推断变得尤为重要且具有挑战性。
现有国内外研究学者对通信网络拓扑推断问题进行了系统的研究。有的利用信号间的时序关联技术,考虑时序间的因果性,采用格兰杰因果检测方法进行通信网推断;有的通过贝叶斯推断的方法,将已知的连边信息作为贝叶斯推理中的先验知识对推断进行修正。
上述方法均只能考虑到成对无人机之间的通信关联而进行推断,而没有针对无人机的群智能行为进行方法设计,即针对多无人机协同执行任务时的协同通信模式,如多链路同时波动等现象,未综合考虑无人机通信连边间的关联程度,导致在群智能场景下的无人机通信网络推断准确率低。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种基于连边间关联的无人机通信网络推断方法,用以解决现有未考虑无人机通信连边间的关联程度而导致在群智能场景下的无人机通信网络推断准确率低的问题。
本发明实施例提供了一种基于连边间关联的无人机通信网络推断方法,包括以下步骤:
根据观测到的无人机通信时间序列,计算无人机间的传递熵值,构建因果关联网络;
基于因果关联网络,根据三种干扰因子结构分别构建对应的因果封闭子图;利用训练好的第一神经网络从无人机间的传递熵值和三种因果封闭子图中聚合出任意两个无人机间的连边特征;
将连边特征输入训练好的第二神经网络中,计算任意两条连边间的高斯相似度函数值,构建连边间的关联权重矩阵,根据关联权重矩阵更新初始化的关联矩阵;
根据连边特征和更新后的关联矩阵得到融合特征,将融合特征输入训练好的多层感知机分类器中,推断出无人机通信网络拓扑。
基于上述方法的进一步改进,无人机间的传递熵值通过以下公式计算得到:
,
其中,表示无人机/>和/>间的传递熵值,/>表示计算期望,/>表示概率分布函数,/>为无人机/>在/>时刻之前的时间序列信号,表示在已知/>条件下/>的时间序列信号的概率分布,表示在已知/>和/>条件下/>的时间序列信号的概率分布。
基于上述方法的进一步改进,基于因果关联网络,根据三种干扰因子结构分别构建对应的因果封闭子图,包括:
对任意两个无人机,根据因果关联网络中大于0的传递熵值,分别获取混淆结构、碰撞结构和中介结构造成的第三变量,按照因果关联关系拼接所述两个无人机间的传递熵值,以及第三变量与所述两个无人机间的传递熵值,得到对应的因果封闭子图。
基于上述方法的进一步改进,混淆结构造成的第三变量,是同时对所述两个无人机产生因果关联影响的第三变量;碰撞结构造成的第三变量,是同时受所述两个无人机因果关联影响的第三变量;中介结构造成的第三变量,是同时受所述两个无人机中的一个无人机因果关联影响且对另一个无人机产生因果关联影响的第三变量。
基于上述方法的进一步改进,第一神经网络包括四个自动编码器和一个全连通线性层神经网络,其中,四个自动编码器分别接收无人机间的传递熵值和三种因果封闭子图,输出各自的嵌入特征,再将四种嵌入特征输入至全连通线性层神经网络进行特征聚合,得到连边特征。
基于上述方法的进一步改进,根据通过以下公式计算任意两条连边间的高斯相似度函数值:
,
其中,表示连边/>与连边/>间的高斯相似度函数值,/>表示欧式距离函数,/>和/>是第二神经网络中的两个神经网络模块,/>表示网络参数,/>表示将连边/>的连边特征输入/>神经网络模块中得到的输出结果,/>表示将/>输入/>神经网络模块中得到的输出结果。
基于上述方法的进一步改进,第二神经网络通过以下步骤进行训练得到:
①将训练样本随机划分为支持集和查询集,根据支持集初始化关联矩阵,基于第二神经网络构建基于训练样本的高斯相似度函数;
②通过直推式学习,根据高斯相似度函数递推更新关联矩阵,并根据更新的关联矩阵,得到查询集的推断结果;
③根据查询集的推断结果计算损失函数,更新第二神经网络参数,迭代执行步骤①-③,直至达到最大迭代次数,或者第二神经网络参数收敛,得到训练好的第二神经网络。
基于上述方法的进一步改进,根据所述关联权重矩阵,通过以下公式更新初始化的关联矩阵:
,
其中,表示更新后的关联规则,/>表示根据观测到的已知连边初始化的关联矩阵,/>表示单位矩阵,/>表示关联权重矩阵,/>表示调节参数。
基于上述方法的进一步改进,根据连边特征和更新后的关联矩阵得到融合特征,包括:对于已知连边,其自身的连边特征直接作为融合特征;对于未知连边,分别将与每一条未知连边关联的已知连边的连边特征与对应的关联关系值相乘并求和后,与未知连边自身的连边特征相加,得到未知连边的融合特征。
基于上述方法的进一步改进,将融合特征输入训练好的多层感知机分类器中,推断出无人机通信网络拓扑,包括:
将融合特征输入训练好的多层感知机分类器中,输出二维向量;如果二维向量中第一维分量大于第二维分量,则不存在所述融合特征对应的连边,推断结果为0;否则存在所述融合特征对应的连边,推断结果为1;根据各连边的推断结果,组成最终的无人机通信网络拓扑。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、针对无人机通信网络的群智能应用场景,考虑到无人机间的协同通信现象,构造因果关联图来表征各条连边,并通过子图嵌入方法解决因果信息混淆的问题;基于提取出来的连边表征,通过流形学习自适应地计算连边间关联,其中通过基于样本的高斯相似度函数来计算低维流形嵌入后的连边间关联程度,并通过图直推式学习对该相似度函数参数进行学习更新;最后,将连边表征与连边间关联信息通过多层感知机聚合,实现信息的最大化利用。
2、重点关注大规模无人机集群通信网络推断问题,使通信网络推断更加全面。从无人机的群体智能行为角度出发,开展了基于连边间关联的通信网络推断,该方法对了解无人机网络的通信结构,理解和分析无人机集群行为提供了更有力的支持,在无人机集群智能应用场景下具有重要的现实意义。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件;
图1为本发明实施例中一种基于连边间关联的无人机通信网络推断方法流程图;
图2为本发明实施例中因果关联网络中混淆结构示意图;
图3为本发明实施例中因果关联网络中碰撞结构示意图;
图4为本发明实施例中因果关联网络中中介结构示意图;
图5为本发明实施例中训练各网络的过程流程图;
图6为本发明实施例的实验结果对比图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种基于连边间关联的无人机通信网络推断方法,如图1所示,包括以下步骤:
S1、根据观测到的无人机通信时间序列,计算无人机间的传递熵值,构建因果关联网络;
S2、基于因果关联网络,根据三种干扰因子结构分别构建对应的因果封闭子图;利用训练好的第一神经网络从无人机间的传递熵值和三种因果封闭子图中聚合出任意两个无人机间的连边特征;
S3、将连边特征输入训练好的第二神经网络中,计算任意两条连边间的高斯相似度函数值,构建连边间的关联权重矩阵,根据关联权重矩阵更新初始化的关联矩阵;
S4、根据连边特征和更新后的关联矩阵得到融合特征,将融合特征输入训练好的多层感知机分类器中,推断出无人机通信网络拓扑。
本实施例是对于一个无人机通信网络,根据观测获得的各无人机通信时间序列及已知连边信息,推断出该无人机通信网络拓扑。实施时,首先在步骤S1中根据无人机的通信时间序列,计算并建立无人机间的因果关联网络;其次在步骤S2中考虑到干扰因子,即因果关联网络中的混杂、碰撞和中介结构造成的第三变量效应(Third Variable Effects,TVE),构造TVE因果封闭子图来对连边进行表征;接着在步骤S3中采用基于样本的高斯相似度函数来近似计算低维流形嵌入后的连边间关联;最后在步骤S4中利用多层感知机来聚合连边表征和连边间关联,通过结合来自连边本身以及相似连边的信息来进行最终推断。
具体来说,在步骤S1中,观测到无人机网络,其中表示无人机集合,N表示无人机总数;表示观测到的已知连边,连边/>表示无人机/>可以与无人机/>通信;/>表示观测到的无人机通信时间序列;任意无人机/>在/>时刻的通信信号表示为/>;另外,所有连边集合表示为/>,未知连边表示为;无人机间的连边总数/>。
进一步地,根据观测到的各无人机个时刻的时间序列信号,计算无人机间的传递熵值,构建因果关联网络/>,其中,/>表示任意两个无人机间的传递熵值,通过以下公式计算得到:
,
其中,表示无人机/>和/>间的传递熵值,/>表示计算期望,/>表示概率分布函数,/>为无人机/>在/>时刻之前的时间序列信号,表示在已知/>条件下/>的时间序列信号的概率分布,表示在已知/>和/>条件下/>的时间序列信号的概率分布。
进一步地,在步骤S2中基于因果关联网络,根据三种干扰因子结构分别构建对应的因果封闭子图,包括:
对任意两个无人机,根据因果关联网络中大于0的传递熵值,分别获取混淆结构、碰撞结构和中介结构造成的第三变量,按照因果关联关系拼接两个无人机间的传递熵值,以及第三变量与两个无人机间的传递熵值,得到对应的因果封闭子图。
需要说明的是,当无人机间的传递熵值大于0时,表示两个无人机间产生因果关联影响。根据因果关联网络,任意两个无人机对应的第三变量数量不确定,不同干扰因子结构造成的第三变量数量也不确定,因此,各因果封闭子图的维度可能不一样。
具体来说,混淆结构如图2所示,混淆结构造成的第三变量,是同时对任意两个无人机产生因果关联影响的第三变量/>,即无人机/>指向邻居节点/>,且传递熵值/>和/>均大于0。记/>表示/>在因果关联网络/>中所有邻居节点构成的集合,则通过下式表示构建的混淆因果封闭子图/>:
,
其中,表示向量拼接函数。
碰撞结构如图3所示,碰撞结构造成的第三变量,是同时受任意两个无人机因果关联影响的第三变量/>,即无人机/>指向第三变量/>,且传递熵值和/>均大于0。通过下式表示构建的碰撞因果封闭子图/>:
。
中介结构如图4所示,中介结构造成的第三变量,是同时受任意两个无人机中的一个无人机/>因果关联影响且对另一个无人机/>产生因果关联影响的第三变量/>,即无人机/>指向第三变量/>且第三变量/>指向无人机/>,且传递熵值/>和/>均大于0。通过下式表示构建的中介因果封闭子图/>:
。
接下来,利用训练好的第一神经网络从无人机间的传递熵值和三种因果封闭子图中聚合出连边特征。第一神经网络包括四个自动编码器和一个全连通线性层神经网络。
具体来说,将无人机间的传递熵值、三种因果封闭子图/>、和/>分别输入四个不同的自动编码器中,输出各自的嵌入特征,各嵌入特征维度统一。其中自动编码器的结构均设计为两层全连接ELU网络,即在两层全连接网络中采用ELU激活函数(Exponential Linear Units,指数线性单元),则嵌入特征由下式获得:
,
其中,表示无人机间的传递熵值对应的嵌入特征,/>表示三种因果封闭子图对应的嵌入特征,/>表示自动编码器的函数。
接着,将四种嵌入特征输入至全连通线性层神经网络进行特征聚合,通过下式得到连边特征/>:
。
与现有技术相比,本步骤考虑了三种干扰因子结构,通过子图嵌入方法解决因果信息混淆的问题,并聚合连边的传递熵值和子图特征,提取出准确的连边特征,为后续挖掘连边与连边间的关联做准备。
需要说明的是,步骤S3中关联矩阵不是现有技术中节点间的关联矩阵,而是因果关联网络中连边与连边间的关联矩阵,是一个的矩阵(/>表示无人机间的连边总数)。
在进行无人机通信网络推断时,根据观测到的已知连边初始化关联矩阵,包括:将因果关联网络中每条连边映射成一个节点,每个节点与其它/>个节点相连,建立有向图;按照箭头方向,每两个节点中第一个节点对应的不是已知连边时,初始关联关系值为0,否则为1。用以下公式表示:
,
其中,表示连边/>与连边/>间的关联关系值,当连边不是已知连边时,关联关系值为0,否则为1。
进一步地,将步骤S2得到的连边特征输入训练好的第二神经网络中,根据第二神经网络的输出,通过以下公式计算任意两条连边间的高斯相似度函数值,构建连边间的关联权重矩阵。
,
其中,表示连边/>与连边/>间的高斯相似度函数值,/>表示欧式距离函数,/>和/>是第二神经网络中的两个神经网络模块,/>表示网络参数,/>表示将连边/>的连边特征输入/>神经网络模块中得到的输出结果,/>表示将/>输入/>神经网络模块中得到的输出结果,即输出结果/>和/>用来表示基于样本的缩放参数。
需要说明的是,和/>两个神经网络模块是全连接神经网络MLP或CNN卷积神经网络。/>用于从连边特征中提取出关联特征,/>用于调节高斯相似度函数的缩放参数,使得在不同样本上能够学习得到不同的缩放参数。
由公式(8)可以看出,本实施例中的高斯相似度函数值基于样本,用于计算低维流形嵌入后的任意两条连边间关联程度,作为连边间的关联权重矩阵。
进一步地,通过以下公式更新初始化的关联矩阵:
,
其中,表示更新后的关联矩阵,/>表示初始化的关联矩阵,/>表示单位矩阵,表示关联权重矩阵,/>表示调节参数。
进一步地,对更新后的关联矩阵根据以下公式归一化:
,
其中,表示归一化后连边/>与/>间的关联关系值,表示更新后的关联矩阵/>中未归一化的关联关系值。
最后,在步骤S4中,根据连边特征和更新后的关联矩阵,得到融合特征,包括:对于已知连边,其自身的连边特征直接作为融合特征;对于未知连边,分别将与每一条未知连边关联的已知连边的连边特征与对应的关联关系值相乘并求和后,与未知连边自身的连边特征相加,得到未知连边的融合特征。
具体来说,通过以下公式得到未知边的融合特征:
,
其中,表示连边/>是未知连边时的融合特征,/>表示连边自身的连边特征,/>表示与未知连边/>关联的已知连边/>的连边特征,/>表示已知连边/>与未知连边/>的归一化的关联关系值。
进一步地,将融合特征输入训练好的多层感知机分类器中,推断出无人机通信网络拓扑。
具体来说,多层感知机分类器的输出结果是一个二维向量,如果二维向量中第一维分量大于第二维分量,则不存在融合特征对应的连边,推断结果/>为0,否则存在融合特征对应的连边,推断结果/>为1;用以下公式表示:
,
根据各连边的推断结果,组成最终的无人机通信网络拓扑。
需要说明的是,上述步骤S2-S4是基于观测到的全部已知连边,应用训练好的各网络推断出无人机通信网络,接下来具体说明各网络的训练过程。
如图5所示,步骤S2中提取连边特征的第一神经网络和步骤S4中获取推断结果的多层感知机分类器一起进行外层迭代训练,步骤S3中更新关联矩阵的第二神经网络是根据每个外层的训练样本进行内层迭代训练。
具体来说,S101、根据观测到全部已知连边构建训练样本集,其中每个训练样本中包括部分已知连边。
S102、根据当前训练样本中部分已知连边包含的无人机,按照步骤S1中的方法计算无人机间的传递熵值,构建当前训练样本的因果关联网络。
S103、按照步骤S2中的方法构建当前训练样本的因果封闭子图,与连边特征分别传入第一神经网络中的四个自动编码器后,经全连通线性层神经网络进行特征聚合,得到每个训练样本中每条连边的连边特征。
S104、根据当前训练样本及其连边特征,通过以下步骤训练内层第二神经网络:
①将训练样本随机划分为支持集和查询集/>,根据支持集按照公式(7)初始化关联矩阵/>,基于第二神经网络构建基于训练样本的高斯相似度函数;
②通过直推式学习,根据高斯相似度函数递推更新关联矩阵,并根据更新的关联矩阵,得到查询集的推断结果;
具体来说,,/>时刻的关联矩阵/>由以下递推式得到:
,
根据公式(13)得到闭式解如下所示:
,
根据支持集中连边,得到查询集中连边/>的预测结果用以下SoftMax函数归一化概率来表示:
,
③根据查询集的推断结果计算损失函数,更新第二神经网络参数,迭代执行步骤①-③,直至达到最大迭代次数,或者第二神经网络参数收敛,得到训练好的第二神经网络。
具体来说,通过以下公式计算第二神经网络的损失函数:
,
其中,表示克罗内克二元函数,当/>和/>都存在连边或都不存在连边时,克罗内克二元函数值为1,否则为0。
根据损失函数不断迭代更新第二神经网络中和/>两个神经网络模块的参数,直至达到内层最大迭代次数或高斯相似度函数/>收敛,得到收敛后的关联矩阵/>即相当于步骤S3中/>,根据公式(10)进行归一化。
S105、根据当前训练样本的连边特征和更新后的关联矩阵,按照步骤S4的方法得到融合特征,将融合特征传入多层感知机分类器中,输出训练样本中每条连边的推断结果,根据训练样本中实际每条连边的连边情况,计算交叉熵损失函数更新第一神经网络和多层感知机分类器的参数。
选择下一个训练样本,重复步骤S102-步骤S105,直至达到外层最大迭代次数,得到训练好的各网络。
如图6所示,通过在相同的仿真数据集上将本实施例方法预测得到的结果和其他方法对比,可以看出本实施例提出的方法(NIER)的预测结果AUC(area under the curve,曲线下面积)与PRC(Precision Recall Curve,准确召回率曲线)值,均显著高于其他方法:因果方法TE、PCMCI,机器学习方法SVM、NRI,及图学习方法VGAE、GRGNN。
与现有技术相比,本实施例提供的一种基于连边间关联的无人机通信网络推断方法,针对无人机通信网络的群智能应用场景,考虑到无人机间的协同通信现象,构造因果关联图来表征各条连边,并通过子图嵌入方法解决因果信息混淆的问题;基于提取出来的连边表征,通过流形学习自适应地计算连边间关联,其中通过基于样本的高斯相似度函数来计算低维流形嵌入后的连边间关联程度,并通过图直推式学习对该相似度函数参数进行学习更新;最后,将连边表征与连边间关联信息通过多层感知机聚合,实现信息的最大化利用。本实施例重点关注大规模无人机集群通信网络推断问题,使通信网络推断更加全面。从无人机的群体智能行为角度出发,开展了基于连边间关联的通信网络推断,该方法对了解无人机网络的通信结构,理解和分析无人机集群行为提供了更有力的支持,在无人机集群智能应用场景下具有重要的现实意义。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于连边间关联的无人机通信网络推断方法,其特征在于,包括以下步骤:
根据观测到的无人机通信时间序列,计算无人机间的传递熵值,构建因果关联网络;
基于因果关联网络,根据三种干扰因子结构分别构建对应的因果封闭子图;利用训练好的第一神经网络从无人机间的传递熵值和三种因果封闭子图中聚合出任意两个无人机间的连边特征;
将连边特征输入训练好的第二神经网络中,计算任意两条连边间的高斯相似度函数值,构建连边间的关联权重矩阵,根据关联权重矩阵更新初始化的关联矩阵;
根据连边特征和更新后的关联矩阵得到融合特征,将融合特征输入训练好的多层感知机分类器中,推断出无人机通信网络拓扑;
基于因果关联网络,根据三种干扰因子结构分别构建对应的因果封闭子图,包括:
对任意两个无人机,根据因果关联网络中大于0的传递熵值,分别获取混淆结构、碰撞结构和中介结构造成的第三变量,按照因果关联关系拼接所述两个无人机间的传递熵值,以及第三变量与所述两个无人机间的传递熵值,得到对应的因果封闭子图;
所述混淆结构造成的第三变量,是同时对所述两个无人机产生因果关联影响的第三变量;所述碰撞结构造成的第三变量,是同时受所述两个无人机因果关联影响的第三变量;所述中介结构造成的第三变量,是受所述两个无人机中的一个无人机因果关联影响且对另一个无人机产生因果关联影响的第三变量;
根据所述关联权重矩阵,通过以下公式更新初始化的关联矩阵:
,
其中,表示更新后的关联规则,/>表示根据观测到的已知连边初始化的关联矩阵,/>表示单位矩阵,/>表示关联权重矩阵,/>表示调节参数。
2.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法,其特征在于,所述无人机间的传递熵值通过以下公式计算得到:
,
其中,表示无人机/>和/>间的传递熵值,/>表示计算期望,/>表示概率分布函数,/>为无人机/>在/>时刻之前的时间序列信号,/>表示在已知/>条件下/>的时间序列信号的概率分布,/>表示在已知和/>条件下/>的时间序列信号的概率分布。
3.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法,其特征在于,所述第一神经网络包括四个自动编码器和一个全连通线性层神经网络,其中,四个自动编码器分别接收无人机间的传递熵值和三种因果封闭子图,输出各自的嵌入特征,再将四种嵌入特征输入至全连通线性层神经网络进行特征聚合,得到连边特征。
4.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法,其特征在于,通过以下公式计算任意两条连边间的高斯相似度函数值:
,
其中,表示连边/>与连边/>间的高斯相似度函数值,表示欧式距离函数,/>和/>是第二神经网络中的两个神经网络模块,/>表示网络参数,/>表示将连边/>的连边特征输入/>神经网络模块中得到的输出结果,/>表示将/>输入/>神经网络模块中得到的输出结果。
5.根据权利要求4所述的基于连边间关联的无人机通信网络推断方法,其特征在于,所述第二神经网络通过以下步骤进行训练得到:
①将训练样本随机划分为支持集和查询集,根据支持集初始化关联矩阵,基于第二神经网络构建基于训练样本的高斯相似度函数;
②通过直推式学习,根据高斯相似度函数递推更新关联矩阵,并根据更新的关联矩阵,得到查询集的推断结果;
③根据查询集的推断结果计算损失函数,更新第二神经网络参数,迭代执行步骤①-③,直至达到最大迭代次数,或者第二神经网络参数收敛,得到训练好的第二神经网络。
6.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法,其特征在于,所述根据连边特征和更新后的关联矩阵得到融合特征,包括:对于已知连边,其自身的连边特征直接作为融合特征;对于未知连边,分别将与每一条未知连边关联的已知连边的连边特征与对应的关联关系值相乘并求和后,与未知连边自身的连边特征相加,得到未知连边的融合特征。
7.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法,其特征在于,所述将融合特征输入训练好的多层感知机分类器中,推断出无人机通信网络拓扑,包括:
将融合特征输入训练好的多层感知机分类器中,输出二维向量;如果二维向量中第一维分量大于第二维分量,则不存在所述融合特征对应的连边,推断结果为0;否则存在所述融合特征对应的连边,推断结果为1;根据各连边的推断结果,组成最终的无人机通信网络拓扑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616007.1A CN117336187B (zh) | 2023-11-30 | 2023-11-30 | 一种基于连边间关联的无人机通信网络推断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616007.1A CN117336187B (zh) | 2023-11-30 | 2023-11-30 | 一种基于连边间关联的无人机通信网络推断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117336187A CN117336187A (zh) | 2024-01-02 |
CN117336187B true CN117336187B (zh) | 2024-04-12 |
Family
ID=89283377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311616007.1A Active CN117336187B (zh) | 2023-11-30 | 2023-11-30 | 一种基于连边间关联的无人机通信网络推断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117336187B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221983A (zh) * | 2021-12-15 | 2022-03-22 | 全球能源互联网研究院有限公司 | 能源物联网物理与信息系统的关键路径确定方法及装置 |
CN115426635A (zh) * | 2022-11-01 | 2022-12-02 | 北京航空航天大学 | 一种不可靠传输场景下无人机通信网络推断方法及系统 |
CN116405503A (zh) * | 2023-03-06 | 2023-07-07 | 西北工业大学 | 一种无人机集群网络拓扑推断方法 |
CN117077771A (zh) * | 2023-10-17 | 2023-11-17 | 北京航空航天大学 | 一种因果关联驱动的航空交通网络波及效应预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11694568B2 (en) * | 2021-11-10 | 2023-07-04 | Beta Air, Llc | System and method for an electric aircraft simulation network |
-
2023
- 2023-11-30 CN CN202311616007.1A patent/CN117336187B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221983A (zh) * | 2021-12-15 | 2022-03-22 | 全球能源互联网研究院有限公司 | 能源物联网物理与信息系统的关键路径确定方法及装置 |
CN115426635A (zh) * | 2022-11-01 | 2022-12-02 | 北京航空航天大学 | 一种不可靠传输场景下无人机通信网络推断方法及系统 |
CN116405503A (zh) * | 2023-03-06 | 2023-07-07 | 西北工业大学 | 一种无人机集群网络拓扑推断方法 |
CN117077771A (zh) * | 2023-10-17 | 2023-11-17 | 北京航空航天大学 | 一种因果关联驱动的航空交通网络波及效应预测方法 |
Non-Patent Citations (2)
Title |
---|
周蓓 ; .四川省民用航空网络的拓扑结构特征及其演化机制.经济地理.2006,(第04期),全文. * |
四川省民用航空网络的拓扑结构特征及其演化机制;周蓓;;经济地理(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117336187A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114818515A (zh) | 一种基于自注意力机制和图卷积网络的多维时序预测方法 | |
CN110851782A (zh) | 一种基于轻量级时空深度学习模型的网络流量预测方法 | |
US11042802B2 (en) | System and method for hierarchically building predictive analytic models on a dataset | |
Shi et al. | Machine learning for large-scale optimization in 6g wireless networks | |
Ye et al. | Deep over-the-air computation | |
CN114077913A (zh) | 基于自动储层神经网络的多步预测未来风速的方法和系统 | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
CN114064627A (zh) | 一种针对多重关系的知识图谱链接补全方法及系统 | |
Nandanoori et al. | Graph neural network and Koopman models for learning networked dynamics: A comparative study on power grid transients prediction | |
CN113194493B (zh) | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 | |
Miozzo et al. | Distributed and multi-task learning at the edge for energy efficient radio access networks | |
CN117336187B (zh) | 一种基于连边间关联的无人机通信网络推断方法 | |
Lin et al. | Metagater: Fast learning of conditional channel gated networks via federated meta-learning | |
CN115758643A (zh) | 一种基于时空特征融合的网络流量预测方法、装置及存储介质 | |
CN115438722A (zh) | 一种基于分布式聚类的大数据产品指标聚类方法 | |
Mittal et al. | Energy evaluation of sensor protocol based on AI techniques using CRAWDAD data | |
Zhao et al. | Deep learning in power systems | |
Yang et al. | Virtual network function placement based on differentiated weight graph convolutional neural network and maximal weight matching | |
CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
Tian et al. | Graph-attention-Based decentralized edge learning for Non-IID data | |
CN116957067B (zh) | 公共安全事件预测模型的强化联邦学习方法及装置 | |
Wan et al. | Capturing Spatial-Temporal Correlations with Attention Based Graph Convolutional Networks for Network Traffic Prediction | |
CN117612633B (zh) | 一种药物分子性质预测方法 | |
Suganya et al. | Forecasting Wireless Traffic In Mesh Networks Using Deep Metric Algorithms | |
Ren et al. | Distributed cooperative learning over time-varying random networks using a gossip-based communication protocol |
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 |