[發明專利]一種基于圖網絡學習的目標識別方法

有效

• 申請號: 202011472272.3
• 申請日: 2020-12-15
• 公開（公告）號: CN112488038B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 成清;程光權;黃金才;馮旸赫;吳克宇
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/82;G06N3/04;G06N3/084
• 代理公司: 長沙大珂知識產權代理事務所(普通合伙) 43236
• 代理人: 伍志祥

1.一種基于圖網絡學習的目標識別方法，其特征在于：利用多源傳感器捕捉目標的模擬數據，通過特征向量選擇方法將模擬數據分為基礎正常數據和剩余正常數據，其中基礎正常數據通過預設的自回歸模型進行迭代算法，之后對基礎正常數據和剩余正常數據計算殘差，并觀測殘差值是否有異常，若殘差值過大則特征向量選擇方法劃分的基礎正常數據和剩余正常數據異常，需要重新劃分基礎正常數據和剩余正常數據并將重新劃分后的基礎正常數據通過預設的自回歸模型進行迭代算法，后對重新劃分的基礎正常數據和剩余正常數據進行殘差計算，若殘差值較低則輸出模擬數據；

所述特征向量選擇方法對模擬數據進行初選剔除部分干擾數據，同時對剔除部分干擾數據后的模擬數據進行抽樣，抽樣數據形成剩余正常數據，剩余的模擬數據則為基礎正常數據；

所述自回歸模型中集成有圖神經網絡，所述圖神經網絡中設有多個網絡節點，每個網絡節點對應一個傳感器的狀態信息，網絡節點對基礎正常數據進行類比學習；

所述圖神經網絡中設有學習集；

所述圖神經網絡采用梯度下降策略進行學習，所述梯度下降策略設有編碼網絡進行學習；

所述梯度下降策略包括首先計算每個網絡節點狀態，得到第T次的狀態值x(T)≈x，然后計算下降的梯度；

所述編碼網絡將圖神經網絡從T到初始時間t0對應的時間片數據，形成整個網絡節點的一個復制實體，對圖神經網絡進行反向傳播梯度計算方法，計算每個時間片T的目標函數梯度，并計算梯度之和；

設有預設值Xi，在觀測基礎正常數據和剩余正常數據是否異常時將所述殘差值與預設值Xi進行差值對比。

2.根據權利要求1所述的一種基于圖網絡學習的目標識別方法，其特征在于：所述多源傳感器包括振動、聲音、和光敏傳感器。