[發(fā)明專利]一種基于圖模型的群目標(biāo)隊形變化識別方法

在審

• 申請?zhí)枺?/td>: 202210895602.2
• 申請日: 2022-07-28
• 公開（公告）號: CN115359350A
• 公開（公告）日: 2022-11-18
• 發(fā)明（設(shè)計）人: 王丹;王翠蓮;何熊文;崔釗婧;許春燕;崔振;藏潔;高陽特;肖遙
• 申請（專利權(quán)）人: 北京空間飛行器總體設(shè)計部
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06N3/04;G06V10/52;G06V10/62;G06V10/82
• 代理公司: 工業(yè)和信息化部電子專利中心 11010
• 代理人: 田衛(wèi)平

1.一種基于圖模型的群目標(biāo)隊形變化識別方法，其特征在于，面向群目標(biāo)隊形變化序列，構(gòu)建基于時空軌跡數(shù)據(jù)的圖模型；對圖模型進行多尺度特征提取，得到多尺度圖卷積核；在構(gòu)建多尺度圖卷積核的基礎(chǔ)上，根據(jù)回歸滑動平均模型，構(gòu)建時空圖譜卷積模型，所述時空圖譜卷積模型在圖結(jié)構(gòu)上進行空間上的譜圖卷積操作的同時，在時間域上也進行卷積操作，二者遞歸進行，由此得到時空圖譜的遞歸卷積模型；將所述遞歸模型作為一個基本的神經(jīng)網(wǎng)絡(luò)層，通過堆疊形成一個多層的網(wǎng)絡(luò)結(jié)構(gòu)，其中上一層的輸出信號作為下一層的輸入信號，通過一個全連接層，將學(xué)到的分布式特征表示映射到樣本標(biāo)記空間，對出行軌跡進行分類或預(yù)測。

2.如權(quán)利要求1所述的方法，其特征在于，把艦船編隊衛(wèi)星圖像建模成無向?qū)傩詧D，對于長度為T的隊形圖序列，將其表示為，其中表示第k個時間切片上的隊形，表示節(jié)點的集合，表示節(jié)點特征，表示鄰接矩陣，下標(biāo)k表示第k個時間切片，。

3.如權(quán)利要求2所述的方法，其特征在于，對于尺度為K的感受野，定義多尺度卷積濾波操作為：

其中，Z為圖譜卷積濾波操作的輸出響應(yīng)；為艦船編隊衛(wèi)星圖像的無向?qū)傩詧D；f表示特征提取器；表示第k個尺度的感受野，其中為所述無向?qū)傩詧D的拉普拉斯矩陣；X為輸入信號或輸入特征譜；是關(guān)于第k尺度的輸入信號的變換矩陣，其中d表示數(shù)據(jù)維度，為拓展后的數(shù)據(jù)維度，。

4.如權(quán)利要求3所述的方法，其特征在于，所述時空圖譜卷積模型為：

其中是隱狀態(tài)，是輸出狀態(tài)，下標(biāo)t表示t時刻，下標(biāo)t+1表示t時刻的下一時刻；K₁和K₂分別是時間域和空間域上核函數(shù)的數(shù)量；為t時刻輸入信號；是關(guān)于第k尺度的變換后的信號的信號變換矩陣。

5.如權(quán)利要求4所述的方法，其特征在于，將遞歸模型作為一個基本的層，用于堆積成多層網(wǎng)絡(luò)架構(gòu)，其中底層的輸出信號O用作頂層的輸入，形式上寫成：

其中l表示網(wǎng)絡(luò)的層數(shù)。

6.如權(quán)利要求1-5任意一項所述的方法，其特征在于，通過構(gòu)造多通道的局部卷積核來提取圖中的不同的特征，設(shè)計多個卷積層，提取更高層次的特征；利用梯度下降法學(xué)習(xí)模型參數(shù)；通過k鄰域的局部濾波器進行濾波；用最大池化操作、局部平均池化或者構(gòu)造二叉樹，合并相似的頂點來進行下采樣。