CN117612413A - 基于gcn的有人无人航空器融合运行空域关键节点识别方法 - Google Patents
基于gcn的有人无人航空器融合运行空域关键节点识别方法 Download PDFInfo
- Publication number
- CN117612413A CN117612413A CN202311575455.1A CN202311575455A CN117612413A CN 117612413 A CN117612413 A CN 117612413A CN 202311575455 A CN202311575455 A CN 202311575455A CN 117612413 A CN117612413 A CN 117612413A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- nodes
- neural network
- importance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 10
- 230000009849 deactivation Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 208000015181 infectious disease Diseases 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims 2
- 230000004907 flux Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于GCN的有人无人航空器融合运行空域关键节点识别方法,包括步骤:有人与无人航空器融合运行空域航段网络构建,有人与无人航空器异质交通流航段网络加权赋值,航段网络节点重要性指标计算,基于图卷积神经网络的关键节点识别模型构建与训练,基于训练完成的图卷积神经网络进行关键节点识别。本发明的关键节点识别方法基于融合运行空域下航段间有人/无人航空器流量和有人/无人交通流运行时间两个因素,为航段网络中边的权重进行赋值,能实现融合空域无向加权航段网络的有效构建;所提出的基于图卷积神经网络的关键节点识别模型,能结合多种重要性指标合理计算节点的重要度;能实现迅速识别融合空域网络内的关键节点。
Description
技术领域
本发明涉及有人无人航空器融合运行空域管理技术领域,特别涉及一种基于GCN的有人无人航空器融合运行空域关键节点识别方法。
背景技术
在有人无人融合运行空域中,空中交通运输系统以复杂的网络形式存在,通过节点来表示网络中的不同个体,以节点之间的边来表示个体之间的各种联系。对于具有不同拓扑结构的复杂网络,网络中各个节点对网络整体的影响力也有所不同,对网络性能起到重要作用的节点被称为关键节点。在航路网络中,关键航路节点对维持网络的结构和功能有着重要的作用,对空中交通的安全有序运行具有重要的影响。如若发生突发事件导致关键航路节点中断失效,会造成其本身所具有的通行能力降低甚至丧失,并另波及周围节点,引发级联失效,导致空域发生大规模延误,从而使得交通网络性能大幅下降。通过辨识关键节点,并进行有针对性的保护,保证其连通并具有一定的抗压能力,可以增强整个融合运行空域网络的可靠性,同时为合理分配资源提供参考,重点管理网络中的薄弱环节。在此背景下,如何识别航路网络中关键节点,成为当前航空运输业界和学界亟待解决的难题。
现有技术虽取得一些成果,但仍然存在以下不足:其一,当前的对空中交通网络中的关键节点识别主要聚焦于单一有人航空器交通运行模式中,无法对有人无人航空器融合空域网络中的关键节点进行识别;其二,当前的网络关键节点识别方法多从拓扑学中描述网络的静态指标出发,忽视网络载流后所呈现的流量分布特性,不能较好地反映融合空域网络结构之上的流量作用;其三,当前,当前对网络关键节点的识别多用单一指标进行评价,不同指标之间获取的关键节点会出现差异,在实际使用中难以权衡选择。
发明内容
本发明提供了一种基于GCN的有人无人航空器融合运行空域关键节点识别方法。
本发明提供了一种基于GCN的有人无人航空器融合运行空域关键节点识别方法,包括:步骤1,有人与无人航空器融合运行空域航段网络构建;步骤2,有人与无人航空器异质交通流航段网络加权赋值;步骤3,航段网络节点重要性指标计算;步骤4,基于图卷积神经网络的关键节点识别模型构建与训练;步骤5,基于训练完成的图卷积神经网络进行关键节点识别。
进一步的,步骤1中,所述有人与无人航空器融合运行空域航段网络构建的方法包括:基于现实数据中航段的拓扑关系,以航路点为网络节点,航段为边,构建航段网络。
进一步的,步骤2中,所述有人与无人航空器异质交通流航段网络加权赋值的方法包括:根据融合运行空域下航段间有人/无人航空器流量f和有人/无人交通流运行时间t两个因素,为航段网络中边的权重进行赋值,以邻接矩阵A=(aij)N×N存储;
其中,aij为任意节点i到节点j的边关系,N为网络中节点个数,wij为航段网络中任意相邻节点i和j连成的边的权重;
其中,wij为路段权重,为航段ij的分时段或全天有人航空器流量,/>为分时段或全天有人航空器在航段ij的平均运行时间,/>为航段ij的分时段或全天无人航空器流量,/>为分时段或全天无人航空器在航段ij的平均运行时间。
进一步的,步骤3中,所述航段网络节点重要性指标计算包括:根据航段网络及网络中边权计算节点重要性指标,包括加权度中心性、加权介数中心性、紧密中心性、加权圈比、节点桥接值;
对于网络中任意节点i,其加权度ki为:
其中,aji为节点j到节点i的边关系;
对于网络中任意节点i,其加权介数中心性BCi为:
其中,gst为点s到点t最短路径上的边权重之和;为点s到点t最短路径中经过点i的路径上的边权重之和;
对于网络中任意节点i,其紧密中心性CCi为:
其中,dij为节点i和节点j之间的距离,n为网络中节点个数;
对于网络中任意节点i,其加权圈比ri为:
其中,节点j和节点h为除节点i外任意两节点,ri为节点i的加权圈比,ki为与节点i相连的边的数量,也即度数,Aij为节点i和节点j的连接情况,如果有连接则为1,否则为0;
对于网络中任意节点i,其桥接值Vci计算包括以下步骤:
步骤A,初始化社团,将每个节点视为一个社团,初始化每个节点所在社团,计算初始网络的模块度Q;
其中,evw为社团v和w之间的连边占整个网络中边的比例,av为仅有一个点在社团v内部的边在整个网络中的比例,
其中,Ci和Cj分别为节点i与节点j在网络中的分属社团,若Ci为v,则δ(Ci,v)为1,否则δ(Ci,v)为0,若Cj为w,则δ(Cj,w)为1,否则δ(Cj,w)为0,M为网络中所有边权和的一半,ki为节点i的度数;
步骤B,对于每个节点i,计算将其移动到相邻社团J后的模块度增益ΔQ,如果ΔQ>0,则将节点i移动到使模块度增益最大的相邻社团J,更新节点i所在的社团,重复步骤B,直到不能再通过移动节点来增加模块度;
步骤C,根据最终的社团划分结果,将节点分配到各自的社团中;最终节点i桥接值Vci为:
Vci=∑JQiJ;
其中,QiJ为代表节点i是否属于社团J的值,若节点i属于社团J,则QiJ=1,否则为0。
进一步的,步骤4中,所述基于图卷积神经网络的关键节点识别模型构建与训练的方法包括:步骤4.1使用传播模型计算训练的节点中每个节点的重要度真实值;步骤4.2构建图卷积神经网络模型;步骤4.3训练图卷积神经网络的关键节点识别模型。
进一步的,步骤4.1中,所述使用传播模型计算训练的节点中每个节点的重要度真实值包括:根据所建立的航段网络,设定SIR模型参数,逐步模拟每个节点作为传染源时的传播过程,记录其感染其他节点的数量作为节点的重要度真实值标签y。
进一步的,步骤4.2中,所述构建图卷积神经网络模型包括:输入层、图卷积层、随航空器失活层、输出层。
进一步的,所述图卷积神经网络中输入层包括:将所述航段网络的网络节点、邻接矩阵A、节点重要性指标组成的特征矩阵X、节点的重要度真实值标签y作为图卷积神经网络的输入。
进一步的,所述图卷积神经网络中图卷积层包括:接收输入层输入,使用图卷积神经网络学习每个节点的向量表示,捕捉节点及其邻居的特征,输出新的的特征矩阵Z;
其中,σ为激活函数,使用ReLU函数,是对角度矩阵,/>为邻接矩阵A加上自连接形成的矩阵,W是权重矩阵。
进一步的,所述图卷积神经网络中随航空器失活层包括:接收图卷积层输出的特征矩阵,随航空器将一部分神经元的输出置为零,最后获取矩阵H;
H=Ms⊙Z;
其中,Z为随航空器失活层的输出,Ms为与Z具有相同形状的二值掩码矩阵,⊙为逐元素乘法操作。
进一步的,所述图卷积神经网络中输出层包括:接收随航空器失活层的输出,进行前馈传播与反向传播结合,通过计算损失函数的梯度来调整网络参数,最终输出
Wout是全连接层的权重矩阵,bout是全连接层的偏置。
进一步的,步骤4.3中,所述训练基于图卷积神经网络的关键节点识别模型包括:将所述航段网路的图结构的邻接矩阵A、节点重要度指标组成的特征矩阵X、节点的重要度真实值标签y输入图卷积神经网络中,训练中预测值与真实值标签y的损失值收敛时则训练结束。
进一步的,步骤5中,所述基于训练完成的图卷积神经网络进行关键节点识别的方法包括:对需要识别关键节点的航段网络进行构建航段网络模型、对航段网络的连边进行加权赋值、对航段网络的节点重要性指标进行计算、输入训练完成的图卷积神经网络模型中进行节点重要度预测,将节点重要度数值倒序排序,选择前5%作为关键节点。
本方法的有益效果是:
(1)所提出的基于融合运行空域下航段间有人/无人航空器流量和有人/无人交通流运行时间两个因素,为航段网络中边的权重进行赋值,能实现融合空域无向加权航段网络的有效构建;
(2)所提出的基于图卷积神经网络的关键节点识别模型,能结合多种重要性指标合理计算节点的重要度;
(3)所提出的基于GCN的有人无人航空器融合运行空域关键节点识别方法,能实现迅速识别融合空域网络内的关键节点。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地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在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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示出了本发明实施例基于GCN的有人无人航空器融合运行空域关键节点识别方法各组成部分关系图;
图2示出了本发明实施例构建并训练基于图卷积神经网络的关键节点识别模型过程图。
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,下面将结合附图对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做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。
在本实施例中,基于图卷积神经网络(GCN)的有人无人航空器融合运行空域关键节点识别方法各组成部分关系如图1所示,有人与无人航空器融合运行空域航段网络构建、有人与无人航空器异质交通流航段网络加权赋值、航段网络节点重要性指标计算所需历史数据采用国内某地区2019年4月1日航段网络流量数据。构建并训练基于图卷积神经网络的关键节点识别模型过程可以如图2所示。
在本实施例中,基于GCN的有人无人航空器融合运行空域关键节点识别方法,包括:步骤1,有人与无人航空器融合运行空域航段网络构建;步骤2,有人与无人航空器异质交通流航段网络加权赋值;步骤3,航段网络节点重要性指标计算;步骤4,基于图卷积神经网络的关键节点识别模型构建与训练;步骤5,基于训练完成的图卷积神经网络进行关键节点识别。
进一步的,步骤1,有人与无人航空器融合运行空域航段网络构建,其方法为:基于现实数据中航段的拓扑关系,以航路点为网络节点,航段为边,构建航段网络。
进一步的,步骤2,有人与无人航空器异质交通流航段网络加权赋值,其方法为:根据融合运行空域下航段间有人/无人航空器流量f和有人/无人交通流运行时间t两个因素,为航段网络中边的权重进行赋值,以邻接矩阵A=(aij)N×N存储;在具体应用场景中,可以基于实际数据中的航路点及航段构建无向加权网络,根据45120条航段流量数据,提取261个航路点作为网络节点,同时为航段网络中边的权重进行赋值,以邻接矩阵A=(aij)261×261储存;
其中,aij为任意节点i到节点j的边关系,N为网络中节点个数,wij为航段网络中任意相邻节点i和j连成的边的权重;
其中,wij为路段权重,为航段ij的分时段或全天有人航空器流量,/>为分时段或全天有人航空器在航段ij的平均运行时间,/>为航段ij的分时段或全天无人航空器流量,/>为分时段或全天无人航空器在航段ij的平均运行时间。
进一步的,步骤3,航段网络节点重要性指标计算,其方法为根据所构建的无向加权网络及其边权,计算加权度中心性、加权介数中心性、紧密中心性、加权圈比、节点桥接值等航段网络的节点重要性指标:
对于网络中任意节点i,其加权度中心性ki为:
其中,aji为节点j到节点i的边关系;
对于网络中任意节点i,其加权介数中心性BCi为:
其中,gst为点s到点t最短路径上的边权重之和;为点s到点t最短路径中经过点i的路径上的边权重之和;
对于网络中任意节点i,其紧密中心性CCi为:
其中,dij为节点i和节点j之间的距离,n为网络中节点个数;
对于网络中任意节点i,其加权圈比ri为:
其中,节点j和节点h为除节点i外任意两节点,ri为节点i的加权圈比,ki为与节点i相连的边的数量,也即度数,Aij为节点i和节点j的连接情况,如果有连接则为1,否则为0;
对于网络中任意节点i,其桥接值Vci计算包括以下步骤:
步骤A,初始化社团,将每个节点视为一个社团,初始化每个节点所在社团,计算初始网络的模块度Q;
其中,evw为社团v和w之间的连边占整个网络中边的比例,av为仅有一个点在社团v内部的边在整个网络中的比例,
其中,Ci和Cj分别为节点i与节点j在网络中的分属社团,若Ci为v,则δ(Ci,v)为1,否则δ(Ci,v)为0,若Cj为w,则δ(Cj,w)为1,否则δ(Cj,w)为0,M为网络中所有边权和的一半,ki为节点i的度数;
步骤B,对于每个节点i,计算将其移动到相邻社团J后的模块度增益ΔQ,如果ΔQ>0,则将节点i移动到使模块度增益最大的相邻社团J,更新节点i所在的社团,重复步骤B,直到不能再通过移动节点来增加模块度;
步骤C,根据最终的社团划分结果,将节点分配到各自的社团中;最终节点i桥接值Vci为:
Vci=∑JQiJ;
其中,Qij为代表节点i是否属于社团J的值,若节点i属于社团J,则QiJ=1,否则为0。
进一步的,步骤4,基于图卷积神经网络的关键节点识别模型构建与训练,其方法为:
4.1使用传播模型计算训练的节点中每个节点的重要度真实值;
4.2构建图卷积神经网络模型,模型包括:输入层、图卷积层、随航空器失活层、输出层;
4.3训练图卷积神经网络的关键节点识别模型。
进一步的,步骤4.1,在具体应用场景中,运行SIR传播模型计算得到每个节点的重要度值(该节点所能够影响到其它节点的数量)作为数据真实值标签y用于模型的训练。
进一步的,步骤4.2,构建图卷积神经网络模型,包括:输入层、图卷积层、随航空器失活层、输出层。
进一步的,将航段网络结构图(网络节点、邻接矩阵A)、各节点重要性指标(加权度中心性ki、加权介数中心性BCi、紧密中心性CCi、加权圈比ri、桥接值Vci)组成的特征矩阵X以及节点的重要度真实值标签y作为图卷积神经网络的输入层;
进一步的,所述图卷积神经网络中图卷积层接收输入层输入,使用图卷积神经网络学习每个节点的向量表示,输出新的特征矩阵Z;
其中,σ为激活函数,使用ReLU函数,是对角度矩阵,/>为邻接矩阵A加上自连接形成的矩阵,W为权重矩阵;
进一步的,所述图卷积神经网络中随航空器失活层接收图卷积层输出的特征矩阵,随航空器将一部分神经元的输出置为零,获取矩阵H;
H=Ms⊙Z;
其中,Z为随航空器失活层的输出,Ms为与Z具有相同形状的二值掩码矩阵,⊙为逐元素乘法操作;
进一步的,所述图卷积神经网络中输出层接收随航空器失活层的输出,进行前馈传播与反向传播结合,通过与真实值标签y结合计算损失函数的梯度来调整网络参数,最终输出
Wout是全连接层的权重矩阵,bout是全连接层的偏置。
训练过程中预测值与真实值标签y的损失值收敛时则训练结束;将节点预测值降序排序,选取前5%节点作为关键节点。
进一步的,步骤4.3,训练基于图卷积神经网络的关键节点识别模型,其方法为:将所述航段网路的图结构的邻接矩阵A、节点重要度指标组成的特征矩阵X、节点的重要度真实值标签y输入图卷积神经网络中,训练中预测值与真实值标签y的损失值收敛时则训练结束。
进一步的,步骤5,基于训练完成的图卷积神经网络进行关键节点识别,包括:对后续需要识别关键节点的航段网络进行构建航段网络模型、对航段网络的连边进行加权赋值、对航段网络的节点重要性指标进行计算、输入训练完成的图卷积神经网络模型中进行节点重要度预测,将节点重要度数值倒序排序,选择前5%作为关键节点。
综上所述,本发明中所采用的基于图卷积神经网络(GCN)的有人无人航空器融合运行空域关键节点识别方法,可以将无人有人航空器不同的交通运行模式融合到同一网络中,将流量分布加载到网络上;还可以将多种节点重要性指标综合计算节点重要度数值,可有效促进更合理的航路网络中关键节点识别。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种基于GCN的有人无人航空器融合运行空域关键节点识别方法,其特征在于,包括:
步骤1,有人与无人航空器融合运行空域航段网络构建;
步骤2,有人与无人航空器异质交通流航段网络加权赋值;
步骤3,航段网络节点重要性指标计算;
步骤4,基于图卷积神经网络的关键节点识别模型构建与训练;
步骤5,基于训练完成的图卷积神经网络进行关键节点识别。
2.根据权利要求1所述的关键节点识别方法,其特征在于,步骤1中,所述有人与无人航空器融合运行空域航段网络构建的方法包括:基于现实数据中航段的拓扑关系,以航路点为网络节点,航段为边,构建航段网络。
3.根据权利要求1所述的关键节点识别方法,其特征在于,步骤2中,所述有人与无人航空器异质交通流航段网络加权赋值的方法包括:
根据融合运行空域下航段见有人/无人航空器流量f和有人/无人交通流运行时间t两个因素,为航段网络中边的权重进行赋值,以邻接矩阵A=(aij)N×N存储;
其中,aij为任意节点i到节点j的边关系,N为网络中节点个数,wij为航段网络中任意相邻节点i和j连成的边的权重;
其中,wij为路段权重,为航段ij的分时段或全天有人航空器流量,/>为分时段或全天有人航空器在航段ij的平均运行时间,/>为航段ij的分时段或全天无人航空器流量,/>为分时段或全天无人航空器在航段ij的平均运行时间。
4.根据权利要求3所述的关键节点识别方法,其特征在于,步骤3中,所述航段网络节点重要性指标计算包括:
根据航段网络及网络中边权计算节点重要性指标,包括加权度中心性、加权介数中心性、紧密中心性、加权圈比、节点桥接值;
对于网络中任意节点i,其加权度中心性ki为:
其中,aji为节点j到节点i的边关系;
对于网络中任意节点i,其加权介数中心性BCi为:
其中,gst为点s到点t最短路径上的边权重之和;为点s到点t最短路径中经过点i的路径上的边权重之和;
对于网络中任意节点i,其紧密中心性CCi为:
其中,dij为节点i和节点j之间的距离,n为网络中节点个数;
对于网络中任意节点i,其加权圈比ri为:
其中,节点j和节点h为除节点i外任意两节点,ri为节点i的加权圈比,ki为与节点i相连的边的数量,也即度数,Aij为节点i和节点j的连接情况,如果有连接则为1,否则为0;
对于网络中任意节点i,其桥接值Vci计算包括以下步骤:
步骤A,初始化社团,将每个节点视为一个社团,初始化每个节点所在社团,计算初始网络的模块度Q;
其中,evw为社团v和w之间的连边占整个网络中边的比例,av为仅有一个点在社团v内部的边在整个网络中的比例,
其中,Ci和Cj分别为节点i与节点j在网络中的分属社团,若Ci为v,则δ(Ci,v)为1,否则δ(Ci,v)为0,若Cj为w,则δ(Cj,w)为1,否则δ(Cj,w)为0,M为网络中所有边权和的一半,ki为节点i的度数;
步骤B,对于每个节点i,计算将其移动到相邻社团J后的模块度增益ΔQ,如果ΔQ>0,则将节点i移动到使模块度增益最大的相邻社团J,更新节点i所在的社团,重复步骤B,直到不能再通过移动节点来增加模块度;
步骤C,根据最终的社团划分结果,将节点分配到各自的社团中;最终节点i桥接值Vci为:
Vci=∑JQiJ;
其中,QiJ为代表节点i是否属于社团J的值,若节点i属于社团J,则QiJ=1,否则为0。
5.根据权利要求4所述的关键节点识别方法,其特征在于,步骤4中,所述基于图卷积神经网络的关键节点识别模型构建与训练的方法包括:
步骤4.1使用传播模型计算训练的节点中每个节点的重要度真实值;
步骤4.2构建图卷积神经网络模型;
步骤4.3训练基于图卷积神经网络的关键节点识别模型。
6.根据权利要求5所述的关键节点识别方法,其特征在于,步骤4.1中,所述使用传播模型计算训练的节点中每个节点的重要度真实值包括:
根据所建立的航段网络,设定SIR模型参数,逐步模拟每个节点作为传染源时的传播过程,记录其感染其他节点的数量作为节点的重要度真实值标签y。
7.根据权利要求6所述的关键节点识别方法,其特征在于,步骤4.2中,所述构建图卷积神经网络模型包括:
输入层、图卷积层、随航空器失活层、输出层。
所述图卷积神经网络中输入层包括:将所述航段网络的网络节点、邻接矩阵A、节点重要性指标组成的特征矩阵X、节点的重要度真实值标签y作为图卷积神经网络的输入。
所述图卷积神经网络中图卷积层包括:接收输入层输入,使用图卷积神经网络学习每个节点的向量表示,捕捉节点及其邻居的特征,输出新的的特征矩阵Z;
其中,σ为激活函数,使用ReLU函数,是对角度矩阵,/>为邻接矩阵A加上自连接形成的矩阵,W是权重矩阵。
所述图卷积神经网络中随航空器失活层包括:接收图卷积层输出的特征矩阵,随航空器将一部分神经元的输出置为零,最后获取矩阵H;
H=Ms⊙Z;
其中,Z为随航空器失活层的输出,Ms为与Z具有相同形状的二值掩码矩阵,⊙为逐元素乘法操作。
所述图卷积神经网络中输出层包括:接收随航空器失活层的输出,进行前馈传播与反向传播结合,通过与节点标签y结合计算损失函数的梯度来调整网络参数,最终输出
Wout是全连接层的权重矩阵,bout是全连接层的偏置。
8.根据权利要求7所述的关键节点识别方法,其特征在于,步骤4.3中,所述训练基于图卷积神经网络的关键节点识别模型包括:
将所述航段网路的邻接矩阵A、节点重要度指标组成的特征矩阵X、节点的重要度真实值标签y输入图卷积神经网络中,训练中预测值与真实值标签y的损失值收敛时则训练结束。
9.根据权利要求8所述的关键节点识别方法,其特征在于,步骤5中,所述基于训练完成的图卷积神经网络进行关键节点识别的方法包括:
对需要识别关键节点的航段网络进行构建航段网络模型、对航段网络的连边进行加权赋值、对航段网络的节点重要性指标进行计算、输入训练完成的图卷积神经网络模型中进行节点重要度预测,将节点重要度数值倒序排序,选择前5%作为关键节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575455.1A CN117612413A (zh) | 2023-11-23 | 2023-11-23 | 基于gcn的有人无人航空器融合运行空域关键节点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575455.1A CN117612413A (zh) | 2023-11-23 | 2023-11-23 | 基于gcn的有人无人航空器融合运行空域关键节点识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117612413A true CN117612413A (zh) | 2024-02-27 |
Family
ID=89955576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311575455.1A Pending CN117612413A (zh) | 2023-11-23 | 2023-11-23 | 基于gcn的有人无人航空器融合运行空域关键节点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612413A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976199A (zh) * | 2024-04-01 | 2024-05-03 | 天津理工大学 | 基于高阶网络的脑区识别方法、装置、设备及存储介质 |
-
2023
- 2023-11-23 CN CN202311575455.1A patent/CN117612413A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976199A (zh) * | 2024-04-01 | 2024-05-03 | 天津理工大学 | 基于高阶网络的脑区识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103327082B (zh) | 一种多蚁群疏散优化交换方法 | |
CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN117612413A (zh) | 基于gcn的有人无人航空器融合运行空域关键节点识别方法 | |
CN114519932B (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
Dey et al. | Prim’s algorithm for solving minimum spanning tree problem in fuzzy environment | |
Qiu et al. | Dynamic Electronic Toll Collection via Multi-Agent Deep Reinforcement Learning with Edge-Based Graph Convolutional Networks. | |
Kannan et al. | Predictive indoor navigation using commercial smart-phones | |
Iwata et al. | Neural collective graphical models for estimating spatio-temporal population flow from aggregated data | |
CN115270506B (zh) | 一种人群沿楼梯上行的通行时间预测方法及系统 | |
Chou et al. | A clonal selection algorithm for energy-efficient mobile agent itinerary planning in wireless sensor networks | |
CN116311880A (zh) | 基于局部-全局时空特征融合的交通流量预测方法及设备 | |
Lai et al. | Bus arrival time prediction using wavelet neural network trained by improved particle swarm optimization | |
CN113240086B (zh) | 一种复杂网络链接预测方法及系统 | |
CN116862021B (zh) | 基于信誉评估的抗拜占庭攻击的去中心化学习方法及系统 | |
Rai et al. | Building occupancy simulation and data assimilation using a graph-based agent-oriented model | |
Wang et al. | Bi-level programming model for post-disaster emergency supplies scheduling with time windows and its algorithm | |
Wen et al. | Hierarchical Sarsa learning based route guidance algorithm | |
Selvam et al. | Collaborative autonomous system based wireless security in signal processing using deep learning techniques | |
CN114599043A (zh) | 一种基于深度强化学习的空天地一体化网络资源分配方法 | |
Li et al. | Dynamic emergency navigation based on prediction via wireless sensor networks | |
Raval et al. | Distributed detection in neural network based multihop wireless sensor network | |
Zhang et al. | A stochastic dynamic traffic assignment model for emergency evacuations that considers background traffic | |
Lent | Dynamic Routing in Challenged Networks with Graph Neural Networks | |
Hanafy et al. | A comparison between adaptive neural networks algorithms for estimating vehicle travel time |
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 |