[發明專利]GNN框架下基于廣義S維分配的多傳感器數據互聯方法

在審

• 申請號: 202211157580.6
• 申請日: 2022-09-22
• 公開（公告）號: CN115510597A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 唐田田;孫順;王海鵬;郭晨;賈舒宜;任利強;潘新龍;崔亞奇;孫煒煒;楊莉莉
• 申請（專利權）人: 中國人民解放軍海軍航空大學
• 主分類號: G06F30/18
• 分類號: G06F30/18;G06F30/27;G06F17/16;G06K9/62;G06N3/04;G06N3/08;G01D21/02
• 代理公司: 煙臺上禾知識產權代理事務所(普通合伙) 37234
• 代理人: 蘇紅紅

本發明公開了GNN框架下基于廣義S維分配的多傳感器數據互聯方法，包括以下步驟：獲取傳感器量測值，每個傳感器量測值對應一個節點建立圖網絡結構，多個傳感器會對應得到多個圖網絡結構；利用GNN模型提取節點的深層隱藏特征信息；利用廣義S維分配互聯算法進行最優化匹配，輸出數據互聯結果。基本形成了利用圖神經網絡進行數據互聯算法的框架結構，有利于實現目標量測深層拓撲結構信息及其協方差矩陣的準確提取，優化量測間的組合分配問題，改善了在隨機噪聲、系統偏差條件下數據互聯的性能，進一步提高廣義S維分配算法數據關聯的正確率。

技術領域

本發明屬于數據處理技術領域，具體涉及GNN框架下基于廣義S維分配的多傳感器數據互聯方法。

背景技術

隨著現代科學技術的飛速發展，武器裝備的性能越來越先進，使得戰場中電磁信號環境日益復雜，單一傳感器提供的孤立信息已經不能滿足不斷變化的應用需求，需要充分利用各種主動、被動式傳感器的綜合性能，提高系統可靠性和可信度，獲取更加準確而完整的信息進行綜合處理和分析。

近年來，多傳感器多目標數據互聯問題越來越受到重視，現代高科技戰爭要求及時提供精確、易于理解的判斷信息代替大量原始的信息。隨著深度神經網絡的快速發展，深度學習技術正逐漸成為復雜環境海上目標跟蹤領域的研究熱點。在這種背景下，開展基于深度學習的多源異構海上目標智能跟蹤技術研究，為此，提出一種GNN框架下GNN框架下基于廣義S維分配的多傳感器數據互聯方法。

發明內容

為了克服現有技術中的問題，本發明提出GNN框架下基于廣義S維分配的多傳感器數據互聯方法。

本發明解決上述技術問題的技術方案如下：

GNN框架下基于廣義S維分配的多傳感器數據互聯方法，包括以下步驟：

步驟1.獲取傳感器量測值，每個傳感器量測值對應一個節點建立圖網絡結構，多個傳感器會對應得到多個圖網絡結構；

步驟2.利用GNN模型提取節點的深層隱藏特征信息；

步驟3.利用廣義S維分配互聯算法進行最優化匹配，輸出數據互聯結果。

進一步地，所述步驟1包括以下步驟：

獲取傳感器量測值，每個傳感器量測值對應一個節點，計算任意兩傳感器量測值之間的關系，即節點之間的關系，并根據節點的關系構建關系邊；

進一步地，計算任意兩傳感器量測值之間的關系，即節點之間的關系，并根據節點的關系構建關系邊，包括以下步驟：

計算任意兩量測值之間距離d_n,ij：

d_n,ij＝(z_n,i-z_n,j)^T(z_n,i-z_n,j)≤γ,n＝1,2

式中，d_n,ij表示第n個傳感器的第i個量測值和第j個量測值之間的距離；z_n,i、z_n,j分別表示第n個傳感器的第i個量測值和第j個量測值；T表示轉置；γ為建邊的閾值，大于該閾值，則建立邊，否則，不建立邊。

進一步地，所述步驟2中利用GNN模型提取節點的深層隱藏特征信息，包括以下步驟：

以第s個傳感器中第v個節點為例，狀態更新函數是以初始信息為輸入；

計算節點v的初始協方差矩陣R_s,v，將所述節點v的初始協方差矩陣R_s,v近似為一個對角矩陣得到協方差向量，即