(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 202211157579.3 (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　 任利强　贾舒宜　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 16/901(2019.01) G06F 17/16(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于GCN的改进最近邻数据互联 方法 (57)摘要 本发明公开了一种基于GCN的改进最近邻数 据互联方法， 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； 步骤2.构建GCN预测模型， 利用GCN预测模型提取 图网络结构节点的特征信息； 步骤3.基于GCN预 测模型输 出的节点特征计算节点距离； 步骤4.以 GCN预测模型输出的节点间的特征距离作为互联 评价标准， 求解互联结果。 本发明主要解决了多 传感器量测的深层特征提取问题， 利用GCN从原 始量测数据中自动学习量测间的深层特征信息 和不变拓 扑信息， 改善了传统最近邻域法在密集 杂波、 随机误差、 系统偏差场景下的数据互联效 果。 权利要求书2页 说明书5页 附图1页 CN 115544309 A 2022.12.30 CN 115544309 A 1.一种基于GCN的改进最近邻数据互联 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 感器对应得到多个图网络结构； 步骤2.构建 GCN预测模型， 利用GCN预测模型提取图网络结构节点的特 征信息； 步骤3.基于GCN预测模型输出的节点特 征计算节点距离； 步骤4.以GCN预测模型输出的节点间的特 征距离作为互联评价标准， 求 解互联结果。 2.根据权利要求1所述的一种基于GCN的改进最近邻数据互联方法， 其特征在于， 所述 步骤1中获取传感器量测值， 每个传感器量测值对应一个节 点建立图网络结构， 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所述的一种基于GCN的改进最近邻数据互联方法， 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， 如果距离大小满足(1)式关系， 则这两个量测值对应 的两个节点之间建边， 否则不建边； dn,ij＝(zn,i‑zn,j)T(zn,i‑zn,j)≤γ,n＝1,2                                 (1) 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。 4.根据权利要求1所述的一种基于GCN的改进最近邻数据互联方法， 其特征在于， 构建 GCN预测模型之前， 将节点和关系边采用矩阵形式； 给定图网络结构中共有N个节点， 节点的输入特征为 其中， zn,i∈RD， D是每个 节点的输入特征数， 将l层所有节点特征向量 表示为矩阵形式， 得到 为 N×D维特征矩阵， 矩阵中的每一行对应 每个节点的特 征表征； 使用N×N维的邻接矩阵， A表示各个节点之间的边关系， 其中， Aij＝1表示节点i和节点j 相连， 存在边， 否则Aij＝0。 5.根据权利要求4所述的一种基于GCN的改进最近邻数据互联方法， 其特征在于， 所述 步骤2中构建GCN预测模 型使用两层GCN网络结构， 所述GCN预测模 型输入为节 点特征矩阵和 邻接矩阵， 层与层之间的传播方式是： 其中， I是单位矩阵； 是 的度矩阵， 为归一化拉普拉斯矩阵； 为第l层特征矩阵， 表示第n个传感器所有节点在第l层上的特征向量， l＝0,1对于输入 层， 有 W(l)表示第l层的权重， 对不同传感器n而言， 其权重共享； σ 是非 线性激活函数。权　利　要　求　书 1/2 页 2 CN 115544309 A 26.根据权利要求5所述的一种基于GCN的改进最近邻数据互联方法， 其特征在于， 所述 步骤3中基于GCN预测模型输出的节点特 征计算节点距离， 包括以下步骤： 基于GCN预测模型输出的节点特征矩阵 获得每个节点的特征向量hn,i， 计算不同图 中任意两节点之间的特 征距离： 其中， hn‑1,i、 hn,j分别表示基于GCN输出的第n个传感器中第i个节点的特征向量和第n ‑1 个传感器中第j个节点的特征向量； 表示节点i和节点j之间GCN预测模型输出特征的距 离。 7.根据权利要求6所述的一种基于GCN的改进最近邻数据互联方法， 其特征在于， 所述 步骤4中， 求 解使全局特 征距离最小的数据互联 结果， 如下： 其中， ρij是二进制数据互联变量， 用0或1表示， 若第i个节点与第j个节点互联， 则ρij＝ 1； 否则ρij＝0； Nn‑1、 Nn分别表示第n ‑1个传感器中共有Nn‑1个节点和第n个传感器中共有Nn个 节点。 8.根据权利要求7所述的一种基于GCN的改进最近邻数据互联方法， 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ρ与目标真实的数据互联结果ρ*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 115544309 A 3