(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211157580.6 (22)申请日 2022.09.22 (71)申请人 中国人民解 放军海军航空大 学 地址 264001 山东省烟台市芝罘区二马路 188号 (72)发明人 唐田田　孙顺　王海鹏　郭晨　 贾舒宜　任利强　潘新龙　崔亚奇　 孙炜炜　杨莉莉　 (74)专利代理 机构 烟台上禾知识产权代理事务 所(普通合伙) 37234 专利代理师 苏红红 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06F 17/16(2006.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 GNN框架下基于广义S维分配的多传感器数 据互联方法 (57)摘要 本发明公开了GNN框架下基于广义S维分配 的多传感器数据互联方法， 包括以下步骤： 获取 传感器量测值， 每个传感器量测值对应一个节点 建立图网络结构， 多个传感器会对应得到多个图 网络结构； 利用GNN模型提取节点的深层隐藏特 征信息； 利用广义S维分配互联算法进行最优化 匹配， 输出数据互联结果。 基本形成了利用图神 经网络进行数据互联算法的框架结构， 有利于实 现目标量测深层拓扑结构信息及其协方差矩 阵 的准确提取， 优化量测 间的组合分配问题， 改善 了在随机噪声、 系统偏差条件下数据互联的性 能， 进一步提高广义S维分配算法数据关联的正 确率。 权利要求书2页 说明书6页 附图1页 CN 115510597 A 2022.12.23 CN 115510597 A 1.GNN框架下基于广义S维分配的多传感器数据互联 方法， 其特 征在于， 包括以下步骤： 步骤1.获取传感器量测值， 每个传感器量测值对应一个节点建立图网络结构， 多个传 感器会对应得到多个图网络结构； 步骤2.利用GN N模型提取节点的深层隐藏特 征信息； 步骤3.利用广义S维分配互联算法进行最优化匹配， 输出 数据互联 结果。 2.根据权利要求1所述的GNN框架下基于广义S维分配的多传感器数据互联方法， 其特 征在于， 所述 步骤1包括以下步骤： 获取传感器量测值， 每个传感器量测值对应一个节点， 计算任意两传感器量测值之间 的关系， 即节点之间的关系， 并根据节点的关系构建 关系边； 根据节点与其相关联节点及关系边构建图网络结构。 3.根据权利要求2所述的GNN框架下基于广义S维分配的多传感器数据互联方法， 其特 征在于， 计算任意两传感器量测值之间的关系， 即节点之 间的关系， 并根据节 点的关系构建 关系边， 包括以下步骤： 计算任意两量测值之间距离dn,ij： dn,ij＝(zn,i‑zn,j)T(zn,i‑zn,j)≤γ,n＝1,2 式中， dn,ij表示第n个传感器的第i个量测值和第j个量测值 之间的距 离； zn,i、 zn,j分别表 示第n个传感器的第i个量测值和第j个量测值； T表示转置； γ为建边的阈值， 大于该阈值， 则建立边， 否则， 不建立 边。 4.根据权利要求1所述的GNN框架下基于广义S维分配的多传感器数据互联方法， 其特 征在于， 所述 步骤2中利用GN N模型提取节点的深层隐藏特 征信息， 包括以下步骤： 以第s个传感器中第v个节点 为例， 状态更新 函数是以初始信息 为输入； 计算节点v的初始协方差矩阵Rs,v， 将所述节点v的初始协方差矩阵Rs,v近似为一个对角 矩阵得到协方差向量， 即 构建基于GNN框架的特征提取模型和基于GNN框架的协方差映射模型； 所述基于GNN框 架的特征提取模型， 共两层， 用于提取节点的深层隐藏特征信息； 所述基于GNN框架的协方 差映射模型， 共两层， 用于将目标量测的协方差矩阵映射 为隐藏特 征信息的协方差矩阵； 把节点v的每个邻居节点的特征、 隐藏状态、 每条相连边的特征以及节点v自身特征经 过基于GN N框架的特 征提取模型 更新后， 输出第s个传感器中节点v的深层特 征信息 节点v协方差向量经过基于GNN框架的协方差映射模型后， 输出节点v的深层特征信息 的协方差向量 进而可得深层特 征信息的协方差矩阵 5.根据权利要求1所述的GNN框架下基于广义S维分配的多传感器数据互联方法， 其特 征在于， 步骤3.利用广义S维分配互联算法进行最优化匹配， 包括以下步骤： 求解S元测量中目标数据互联的代价函数； 求解极小化负对数似然比， 进行最优分配组 合。 6.根据权利要求5所述的GNN框架下基于广义S维分配的多传感器数据互联方法， 其特 征在于， 所述 求解S元测量中目标 数据互联的代价 函数， 包括以下步骤： 定义隐藏特 征的S元测量(i1,i2,...is)数据互联的代价 函数：权　利　要　求　书 1/2 页 2 CN 115510597 A 2其中， 是互联S元(i1,i2,...is)的代价函数， is＝1,2,...,ms； 为传感器s的第is 个测量的深层特征信息， 为传感器s的第is个测量深层特征信息的的协方差向量； Ψs是 传感器s观测空间的体积； 为传感器s的检测概率； u(is)为指标函数， 当is＝0时， u(is)＝ 0， 否则u(is)＝1； 上式中使用融合 的深层特征信息作为真实深层特征信息， 融合 的深层特 征信息为： 式中， 7.根据权利要求5所述的GNN框架下基于广义S维分配的多传感器数据互联方法， 其特 征在于， 所述 求解极小化负对数似然比， 进行最优分配组合， 包括以下步骤： 所述极小化负对数似然比为： 其中， 是二进制互联变量， 如果第i1个量测与第i2个量测、 第i3个量测，……， 第is 个节点互联时， 则 否则 8.根据权利要求5所述的GNN框架下基于广义S维分配的多传感器数据互联方法， 其特 征在于， 对于GCN预测模型的训练， 包括以下步骤： 将求得的输出结果与目标真实的数据互联结果做差， 取矩阵范数建立损 失函数， 通过 反向传播， 训练GCN预测模型。权　利　要　求　书 2/2 页 3 CN 115510597 A 3