一种基于深度学习的指挥控制网络关键节点识别方法技术

本发明专利技术提供了一种基于深度学习的指挥控制网络关键节点识别方法，所述方法包括(1)构建指挥控制网络关键节点数据集，(2)构建指挥控制网络关键节点识别神经网络模型，(3)基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练，(4)将数据集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点。本发明专利技术提供的基于深度学习的指挥控制关键节点识别方法，能够准确地判断指挥控制关键节点。所述方法自动化程度高，结构新颖，流程简洁，具有广泛的工业实用性。性。性。

【技术实现步骤摘要】
一种基于深度学习的指挥控制网络关键节点识别方法


[0001]本专利技术涉及一种基于深度学习的指挥控制网络关键节点识别方法，属于深度学习领域。

技术介绍

[0002]指挥控制网络关键节点识别是支撑指挥控制体系博弈的重要组成部分和决定作战结果的关键因素。通过干扰或者打击指挥控制网络关键节点，能有有效抑制敌方对于战场态势的获取，从而压制敌方的决策空间，使得我方在指挥控制体系博弈中获得信息优势。
[0003]现阶段大多指挥控制网络关键节点识别方法主要依赖于专业知识设计目标函数和检测特征，在《面向结构洞的指挥控制网络关键节点识别方法》一文中，在提取指挥控制网络关键节点特征方面具有局限性，需要大量人工参与，并且受到专业背景的影响，导致检测效果有限；同时，传统节点识别方法的评判指标固定，如公开号为CN113411197A的专利《一种无先验拓扑信息的非合作关键节点识别方法》，无法通过学习机制不断提升检测效果；在《基于改进灰狼优化的复杂网络重要节点识别算法》一文中，基于优化算法的指挥控制网络关键节点识别方法的计算量较大，会较大幅度提高指挥控制的决策产生时间，从而影响博弈效果。

技术实现思路

[0004]本专利技术避免
技术介绍
中的问题提出了一种基于深度学习的指挥控制网络关键节点识别方法，该方法构建了适用于指挥控制网络关键节点识别的深度学习卷积神经网络，通过将指挥控制网络中节点的互通次数和通信类型转换为多维数据矩阵，便于神经网络提取识别特征。
[0005]本专利技术采用的技术方案为：
[0006]一种基于深度学习的指挥控制网络关键节点识别方法，包括以下步骤：
[0007]步骤1：构建指挥控制网络关键节点数据集；
[0008]步骤2：基于最小指挥控制网络关键节点识别神经网络模块和分类神经网络模块，构建指挥控制网络关键节点识别神经网络模型；
[0009]步骤3：基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练；
[0010]步骤4：将测试集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点。
[0011]其中，步骤1中，构建指挥控制网络关键节点数据集的具体方式为：
[0012]步骤1
‑
1：基于指挥控制网络结构、关键指挥控制节点和通信方式，统计在t次通信下，任意两节点之间，不同通信方式下的互通次数其中n和m分别为通信节点标号，n,m∈N，N为通信节点数，l表示通信方式种类索引，l∈L，L为通信方式种类，t为设定值；
[0013]步骤1
‑
2：将互通次数数据转换成多维矩阵形式组成样本I：
[0014][0015]步骤1
‑
3：将关键通信节点标号y作为对应样本的标签；
[0016]步骤1
‑
4：在指挥控制网络结构相同但关键指挥控制结点不同的情况下，重复步骤1
‑
1到1
‑
3T次，组成数据集，包括样本数据集和标签数据集；其中T为设定值；
[0017]样本数据集X为：
[0018][0019]标签数据集Y为：
[0020]Y＝[y1…
y
T
]T
[0021]步骤1
‑
5：按照设定比例μ，将数据集切分为学习数据集和测试数据集，二者数量分别为和其中表示向上取整。
[0022]学习数据集的样本数据集为X
′
，维度为
[0023]学习数据集的标签数据集为Y
′
，维度为
[0024]测试数据集的样本数据集为X
″
，维度为
[0025]测试数据集的标签数据集为Y
″
，维度为
[0026]其中，步骤2中，构建指挥控制网络关键节点识别神经网络的具体方式为：
[0027]步骤2
‑
1：搭建最小指挥控制网络关键节点识别神经网络模块；
[0028]最小指挥控制网络关键节点识别神经网络模块，内部分为主线和支线；数据流向为：输入样本数据分别经过主线和支线并行处理后相加，经过非线性激活层之后得到输出；
[0029]主线依次包含二维卷积层、归一化层、非线性激活层、二维卷积层、归一化层和Squeeze
‑
and
‑
Excitation层，其中Squeeze
‑
and
‑
Excitation层包括全连接层、非线性激活层和全连层；支线包含二维卷积层和归一化层；
[0030]步骤2
‑
2：搭建分类神经网络模块：
[0031]分类神经网络模块依次包含Dropout层、全连接层、非线性激活层、Dropout层、全连层、非线性激活层和全连层；
[0032]步骤2
‑
3：搭建指挥控制网络关键节点识别神经网络：
[0033]通过将最小指挥控制网络关键节点识别神经网络模块和分类神经网络模块串行组合，并添加支线构成指挥控制网络关键节点识别神经网络；神经网络主体结构由三个最
小指挥控制网络关键节点识别神经网络模块和一个分类神经网络模块串行构成，在四个模块连接之间插入三条相同的前向支路，前向支路由二维卷积层和归一化层构成。
[0034]其中，步骤3中，基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练的具体方式为：
[0035]步骤3
‑
1：前向传播
[0036]将多批样本数据X
″′
依次通过指挥控制网络关键节点识别神经网络得到预测的标签数据Z的对应概率，其过程描述为Z＝F(X
″′
)，其中基于学习数据集将B个样本学习数据构建为批样本学习数据X
″′
和批样本学习数据标签Y
″′
，维度分别为B
×
L
×
N
×
N和B，B为批数量；F代表指挥控制网络关键节点识别神经网络的数学处理过程；
[0037]步骤3
‑
2：定义损失函数：
[0038]损失函数依据预测的标签数据Z和标签数据Y
″
的差距定义，给出二者之间的误差。
[0039]步骤3
‑
3：依据损失函数计算误差，根据误差进行反向传播，并对神经网络参数优化；
[0040]步骤3
‑
4：在测试数据集中评估神经网络的预测正确率，保存正确率最优的神经网络模型和参数。
[0041]其中，步骤4中，将数据集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点的具体方式为：
[0042]步骤4
‑
1：加载保存的神经网络模型及参数：
[0043]步骤4
‑
2：将测试数据集输入到指挥控制网络关键节点识别神经网络模型，得到关键节点对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的指挥控制网络关键节点识别方法，其特征在于，包括以下步骤：步骤1：构建指挥控制网络关键节点数据集；步骤2：基于最小指挥控制网络关键节点识别神经网络模块和分类神经网络模块，构建指挥控制网络关键节点识别神经网络模型；步骤3：基于训练集对指挥控制网络关键节点识别神经网络模型进行学习训练；步骤4：将测试集输入到指挥控制网络关键节点识别神经网络模型进行测试，识别指挥控制网络的关键节点。2.根据权利要求1所述的一种基于深度学习的指挥控制网络关键节点识别方法，其特征在于，步骤1中，构建指挥控制网络关键节点数据集的具体方式为：步骤1
‑
1：基于指挥控制网络结构、关键指挥控制节点和通信方式，统计在t次通信下，任意两节点之间，不同通信方式下的互通次数其中n和m分别为通信节点标号，n,m∈N，N为通信节点数，l表示通信方式种类索引，l∈L，L为通信方式种类，t为设定值；步骤1
‑
2：将互通次数数据转换成多维矩阵形式组成样本I：步骤1
‑
3：将关键通信节点标号y作为对应样本的标签；步骤1
‑
4：在指挥控制网络结构相同但关键指挥控制结点不同的情况下，重复步骤1
‑
1到1
‑
3T次，组成数据集，包括样本数据集和标签数据集；其中T为设定值；样本数据集X为：标签数据集Y为：Y＝[y1…
y
T
]
T
步骤1
‑
5：按照设定比例μ，将数据集切分为学习数据集和测试数据集，二者数量分别为和其中表示向上取整；学习数据集的样本数据集为X
′
，维度为学习数据集的标签数据集为Y
′
，维度为测试数据集的样本数据集为X
″
，维度为
测试数据集的标签数据集为Y
″
，维度为3.根据权利要求1所述的一种基于深度学习的指挥控制网络关键节点识别方法，其特征在于，步骤2中，构建指挥控制网络关键节点识别神经网络的具体方式为：步骤2
‑
1：搭建最小指挥控制网络关键节点识别神经网络模块；最小指挥控制网络关键节点识别神经网络模块，内部分为主线和支线；数据流向为：输入样本数据分别经过主线和支线并行处理后相加，经过非线性激活层之后得到输出；主线依次包含二维卷积层、归一化层、非线性激活层、二维卷积层、归一化层和Squeeze
‑
and
‑
Excit...

【专利技术属性】
技术研发人员：畅鑫，李艳斌，赵研，杜宇峰，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：