【技术实现步骤摘要】
基于时空超图的关联信息挖掘方法
[0001]本专利技术属于目标关联
,具体为提出利用时空图网络和超图进行目标态势表征和关联挖掘的方法。
技术介绍
[0002]关联挖掘即对于两个或多个事物之间根据其自身和相互之间的信息从而得到两两之间的关系。物体之间的关系随着时间和空间的变化而变化,并且物体相互之间的信息也既随着时间维度的变化而变化也会随着空间位置的变化而变化。这要求网络需要全面整合时间维度和空间维度的信息。
[0003]对于图网络,传统的方法有图神经网络(Graph Neural Networks)即简单地将自身的信息向相邻节点平等地传递、卷积图神经网络(Graph Convolution Networks)即将欧式空间中的卷积思想应用到图网络中、注意力机制图网络(Graph Attention Networks)解决了图神经网络中结点将自己相邻结点平等看待的问题,通过注意力机制使得结点向和自己关系紧密的相邻结点传递更多的信息。但这些图网络存在的最大的问题在于其仅仅针对一张静态图,未从时间的维度考虑,即图可能发生结点和结点边忽然产生或者消失,使得整个图结构发生巨大的变化。而结合了时间考虑的方法如时序卷积图神经网络(Temporal
‑
Graph Networks)但该方法仅仅关注了图中结点的信息,忽略了结点之间边的作用。除此之外上述的方法仅仅针对低阶信息进行分析,如交通流量图网络中仅结点包含流量大小、车道占用率以及速度作为信息。而真实空间中结点具有更为高阶的信息,比如物体的所属人、用途 ...
【技术保护点】
【技术特征摘要】
1.一种基于时空超图的关联信息挖掘方法,其特征在于步骤如下:步骤1:对全符号式的图结构数据表示和全分布的图结构数据表示融合转化为符号
‑
分布混合式图结构数据表示;融合后的图中的结点代表不同的物体,结点信息包含低阶信息和高阶信息;使用超图的方法,将高阶信息放入集群层用于辨别目标集群间的相互关联,低阶信息放入目标层用于辨别目标卫星之间的关联;集群层和目标层之间通过超边相连接,所述的超边表征连接的多个卫星群间的关联;步骤2:将融合后的图带入时序卷积图神经网络TGN进行学习;使用时序卷积图神经网络TGN进行学习,即对每个时间戳上进行空间维度的信息传递和时间维度的信息融合;所述的空间维度的信息传递是每个结点学习相邻结点的信息,每个结点向相邻的结点传递自身的信息;所述的时间维度的信息融合是综合结点前n个时间戳的信息,进行学习并更新;步骤3:将更新后的结点的特征表达向量z
i
(t)、z
j
(t)进行拼接作为边的特征向量通过多层感知机MLP输出网络对于结点之间的关系的预测:p((i,j)|t)=MLP(z
i
(t)||z
j
(t))。2.根据权利要求1所述的基于时空超图的关联信息挖掘方法,其特征在于:步骤1具体如下:全符号式的图结构数据表示和全分布式的图数据结构表示通过符号
‑
向量转换机制转化为符号
‑
分布式图结构数据表示;其中T
v
表示结点中符号数据转变为向量数据的函数,T
e
表示边中符号数据变为向量数据的函数,和为T
v
和T
e
的逆运算,h
i
和h
i,j
分别表示结点i、结点i和结点j之间的边的符号数据,l
i
和l
i,j
分别表示结点i、结点i和结点j之间的边的向量数据。3.根据权利要...
【专利技术属性】
技术研发人员:王鹏,张志鹏,张一淼,张艳宁,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。