[發(fā)明專利]一種基于圖注意力網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)節(jié)點分類方法

有效

• 申請?zhí)枺?/td>: 202011035811.7
• 申請日: 2020-09-27
• 公開（公告）號: CN112085124B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計）人: 高智勇;黃婧;高建民;謝軍太;李智勇;秦銳
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 李鵬威

1.一種基于圖注意力網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)節(jié)點分類方法，其特征在于，包括以下步驟：

步驟1)、明確監(jiān)測點位所對應(yīng)的監(jiān)測變量，選取需要分析的復(fù)雜機(jī)電系統(tǒng)的監(jiān)測目標(biāo)的變量集，通過DCS監(jiān)測系統(tǒng)從變量集中獲取復(fù)雜機(jī)電系統(tǒng)樣本的多維歷史監(jiān)測時間序列；

步驟2)、以步驟1)獲取的多維歷史監(jiān)測時間序列中的監(jiān)測變量為節(jié)點、耦合關(guān)系為邊、耦合系數(shù)的大小為邊的權(quán)重建立表征系統(tǒng)底層交互動態(tài)的加權(quán)網(wǎng)絡(luò)模型；所述步驟2)中的無向加權(quán)網(wǎng)絡(luò)模型建立，包括以下步驟：

(1)基于DCCA去趨勢相關(guān)分析計算各監(jiān)測時間序列間的耦合關(guān)系，并引入高斯噪聲序列，作為耦合相關(guān)系數(shù)的對比；

(2)基于標(biāo)度指數(shù)α，作為相關(guān)系數(shù)的閾值下限，將大于等于閾值下限的耦合相關(guān)系數(shù)置為0，得到更新后的相關(guān)系數(shù)表，進(jìn)而得到相關(guān)關(guān)系矩陣；所述標(biāo)度指數(shù)α在雙對數(shù)坐標(biāo)(s,F_DCCA(s))中，以log(s)為解釋變量log(F_DCCA(s))為被解釋變量做散點圖，用最小二乘擬合數(shù)據(jù)，定義直線部分的斜率即為標(biāo)度指數(shù)α；

基于相關(guān)關(guān)系矩陣，構(gòu)建表征系統(tǒng)底層交互動態(tài)的加權(quán)網(wǎng)絡(luò)；

步驟3)、將步驟2)建立的加權(quán)網(wǎng)絡(luò)模型進(jìn)行轉(zhuǎn)換，得到初始訓(xùn)練集特征向量；步驟3)中將加權(quán)網(wǎng)絡(luò)模型進(jìn)行轉(zhuǎn)換得到初始訓(xùn)練集特征向量，包括以下兩個步驟：

(1)將加權(quán)網(wǎng)絡(luò)模型轉(zhuǎn)換為能表征節(jié)點之間連接關(guān)系的鄰接矩陣，定義鄰接矩陣的第i行或第i列非零元素的個數(shù)正好是第i個頂點的度；

(2)將表征節(jié)點之間連接關(guān)系的鄰接矩陣轉(zhuǎn)換為稀疏矩陣；

步驟4)、基于模塊度對步驟2建立的加權(quán)網(wǎng)絡(luò)模型進(jìn)行社團(tuán)劃分，得到初始One-hot類型訓(xùn)練集標(biāo)簽；

步驟5)、將步驟3)得到的初始訓(xùn)練集特征向量以及步驟4)得到的訓(xùn)練集標(biāo)簽作為輸入，基于GAT圖注意力神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到節(jié)點分類結(jié)果；

步驟6)、選擇實時監(jiān)測數(shù)據(jù)，得到實時訓(xùn)練集特征向量，并將其輸入步驟5)已完成歷史監(jiān)測數(shù)據(jù)訓(xùn)練的GAT圖注意力神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，最終完成節(jié)點的分類。

2.根據(jù)權(quán)利要求1所述的一種基于圖注意力網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)節(jié)點分類方法，其特征在于，所述步驟1)中得到的多維歷史監(jiān)測時間序列采樣頻率依據(jù)采樣成本和監(jiān)測精度進(jìn)行設(shè)定，并設(shè)定樣本的長度，從系統(tǒng)運(yùn)行過程歷史數(shù)據(jù)中獲取監(jiān)測數(shù)據(jù)集。

3.根據(jù)權(quán)利要求2所述的一種基于圖注意力網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)節(jié)點分類方法，其特征在于，所述DCCA去趨勢相關(guān)分析計算方法，基于隨機(jī)游走理論，通過計算去趨勢協(xié)方差函數(shù)，最小化外部趨勢對交叉相關(guān)性的影響，序列波動分析中估計隨機(jī)游走過程從時刻1到時刻i的總位移定義為：

其中

去趨勢協(xié)方差函數(shù)定義為：

4.根據(jù)權(quán)利要求1所述的一種基于圖注意力網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)節(jié)點分類方法，其特征在于，所述加權(quán)網(wǎng)絡(luò)模型度的定義為，假設(shè)網(wǎng)絡(luò)G＝(V,E)是由|V|＝N個節(jié)點和|E|＝M條邊所組成的一個無向網(wǎng)絡(luò)，度即指一個節(jié)點的鄰居節(jié)點的個數(shù)，表示為：

其中，度指標(biāo)體現(xiàn)了該節(jié)點與周圍節(jié)點之間建立直接聯(lián)系的能力。

5.根據(jù)權(quán)利要求1所述的一種基于圖注意力網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)節(jié)點分類方法，其特征在于，步驟4)中對于加權(quán)網(wǎng)絡(luò)模型，模塊度的定義為：

式中：w_ij——節(jié)點i與節(jié)點j連邊權(quán)重；W——網(wǎng)絡(luò)邊權(quán)之和；s_i——與節(jié)點i所連邊的權(quán)值總和；C_i——節(jié)點i所在社團(tuán)，C_i與C_j相同時，(C_i,C_j)＝1，否則為0；所述模塊度的取值范圍介于0到1之間。

6.根據(jù)權(quán)利要求1所述的一種基于圖注意力網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)節(jié)點分類方法，其特征在于，所述步驟5)中，所述圖注意力神經(jīng)網(wǎng)絡(luò)是一種利用屏蔽的自我注意層對圖形結(jié)構(gòu)數(shù)據(jù)進(jìn)行操作的新的卷積式神經(jīng)網(wǎng)絡(luò)，通過注意力機(jī)制來對鄰居節(jié)點做聚合操作，實現(xiàn)對不同鄰居權(quán)重的自適應(yīng)分配。