【技术实现步骤摘要】
本专利技术涉及网络拓扑推断，尤其涉及一种基于连边间关联的无人机通信网络推断方法。
技术介绍
1、随着无人机技术的迅猛发展，无人机集群已广泛用于远程监控、通信中继和协同救援等多个领域，无人机的智能行为和协同工作对于这些应用至关重要。而无人机间的无线通信网络作为支撑无人机集群协同的基础设施，在这一过程中扮演着关键的角色。了解无人机通信网络的拓扑结构是理解和分析无人机集群行为的关键，因为它可以揭示无人机之间的通信关系和连接模式，从而有助于预测和调控无人机集群的行动。然而，由于常用的飞行自组织网络的灵活性和自组织性，在实际应用中我们通常只能获得有限的网络拓扑信息。因此，研究如何在有限信息条件下对未知的无人机通信网络拓扑进行推断变得尤为重要且具有挑战性。
2、现有国内外研究学者对通信网络拓扑推断问题进行了系统的研究。有的利用信号间的时序关联技术，考虑时序间的因果性，采用格兰杰因果检测方法进行通信网推断；有的通过贝叶斯推断的方法，将已知的连边信息作为贝叶斯推理中的先验知识对推断进行修正。
3、上述方法均只能考虑到成对无人机之间的通信关联而进行推断，而没有针对无人机的群智能行为进行方法设计，即针对多无人机协同执行任务时的协同通信模式，如多链路同时波动等现象，未综合考虑无人机通信连边间的关联程度，导致在群智能场景下的无人机通信网络推断准确率低。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种基于连边间关联的无人机通信网络推断方法，用以解决现有未考虑无人机通信
2、本专利技术实施例提供了一种基于连边间关联的无人机通信网络推断方法，包括以下步骤：
3、根据观测到的无人机通信时间序列，计算无人机间的传递熵值，构建因果关联网络；
4、基于因果关联网络，根据三种干扰因子结构分别构建对应的因果封闭子图；利用训练好的第一神经网络从无人机间的传递熵值和三种因果封闭子图中聚合出任意两个无人机间的连边特征；
5、将连边特征输入训练好的第二神经网络中，计算任意两条连边间的高斯相似度函数值，构建连边间的关联权重矩阵，根据关联权重矩阵更新初始化的关联矩阵；
6、根据连边特征和更新后的关联矩阵得到融合特征，将融合特征输入训练好的多层感知机分类器中，推断出无人机通信网络拓扑。
7、基于上述方法的进一步改进，无人机间的传递熵值通过以下公式计算得到：
8、，
9、其中，表示无人机和间的传递熵值，表示计算期望，表示概率分布函数，为无人机在时刻之前的时间序列信号，表示在已知条件下的时间序列信号的概率分布，表示在已知和条件下的时间序列信号的概率分布。
10、基于上述方法的进一步改进，基于因果关联网络，根据三种干扰因子结构分别构建对应的因果封闭子图，包括：
11、对任意两个无人机，根据因果关联网络中大于0的传递熵值，分别获取混淆结构、碰撞结构和中介结构造成的第三变量，按照因果关联关系拼接所述两个无人机间的传递熵值，以及第三变量与所述两个无人机间的传递熵值，得到对应的因果封闭子图。
12、基于上述方法的进一步改进，混淆结构造成的第三变量，是同时对所述两个无人机产生因果关联影响的第三变量；碰撞结构造成的第三变量，是同时受所述两个无人机因果关联影响的第三变量；中介结构造成的第三变量，是同时受所述两个无人机中的一个无人机因果关联影响且对另一个无人机产生因果关联影响的第三变量。
13、基于上述方法的进一步改进，第一神经网络包括四个自动编码器和一个全连通线性层神经网络，其中，四个自动编码器分别接收无人机间的传递熵值和三种因果封闭子图，输出各自的嵌入特征，再将四种嵌入特征输入至全连通线性层神经网络进行特征聚合，得到连边特征。
14、基于上述方法的进一步改进，根据通过以下公式计算任意两条连边间的高斯相似度函数值：
15、，
16、其中，表示连边与连边间的高斯相似度函数值，表示欧式距离函数，和是第二神经网络中的两个神经网络模块，表示网络参数，表示将连边的连边特征输入神经网络模块中得到的输出结果，表示将输入神经网络模块中得到的输出结果。
17、基于上述方法的进一步改进，第二神经网络通过以下步骤进行训练得到：
18、①将训练样本随机划分为支持集和查询集，根据支持集初始化关联矩阵，基于第二神经网络构建基于训练样本的高斯相似度函数；
19、②通过直推式学习，根据高斯相似度函数递推更新关联矩阵，并根据更新的关联矩阵，得到查询集的推断结果；
20、③根据查询集的推断结果计算损失函数，更新第二神经网络参数，迭代执行步骤①-③，直至达到最大迭代次数，或者第二神经网络参数收敛，得到训练好的第二神经网络。
21、基于上述方法的进一步改进，根据所述关联权重矩阵，通过以下公式更新初始化的关联矩阵：
22、，
23、其中，表示更新后的关联规则，表示根据观测到的已知连边初始化的关联矩阵，表示单位矩阵，表示关联权重矩阵，表示调节参数。
24、基于上述方法的进一步改进，根据连边特征和更新后的关联矩阵得到融合特征，包括：对于已知连边，其自身的连边特征直接作为融合特征；对于未知连边，分别将与每一条未知连边关联的已知连边的连边特征与对应的关联关系值相乘并求和后，与未知连边自身的连边特征相加，得到未知连边的融合特征。
25、基于上述方法的进一步改进，将融合特征输入训练好的多层感知机分类器中，推断出无人机通信网络拓扑，包括：
26、将融合特征输入训练好的多层感知机分类器中，输出二维向量；如果二维向量中第一维分量大于第二维分量，则不存在所述融合特征对应的连边，推断结果为0；否则存在所述融合特征对应的连边，推断结果为1；根据各连边的推断结果，组成最终的无人机通信网络拓扑。
27、与现有技术相比，本专利技术至少可实现如下有益效果之一：
28、1、针对无人机通信网络的群智能应用场景，考虑到无人机间的协同通信现象，构造因果关联图来表征各条连边，并通过子图嵌入方法解决因果信息混淆的问题；基于提取出来的连边表征，通过流形学习自适应地计算连边间关联，其中通过基于样本的高斯相似度函数来计算低维流形嵌入后的连边间关联程度，并通过图直推式学习对该相似度函数参数进行学习更新；最后，将连边表征与连边间关联信息通过多层感知机聚合，实现信息的最大化利用。
29、2、重点关注大规模无人机集群通信网络推断问题，使通信网络推断更加全面。从无人机的群体智能行为角度出发，开展了基于连边间关联的通信网络推断，该方法对了解无人机网络的通信结构，理解和分析无人机集群行为提供了更有力的支持，在无人机集群智能应用场景下具有重要的现实意义。
30、本专利技术中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本专利技术的其他特征和优点将本文档来自技高网...
【技术保护点】
1.一种基于连边间关联的无人机通信网络推断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述无人机间的传递熵值通过以下公式计算得到：
3.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述基于因果关联网络，根据三种干扰因子结构分别构建对应的因果封闭子图，包括：
4.根据权利要求3所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述混淆结构造成的第三变量，是同时对所述两个无人机产生因果关联影响的第三变量；所述碰撞结构造成的第三变量，是同时受所述两个无人机因果关联影响的第三变量；所述中介结构造成的第三变量，是同时受所述两个无人机中的一个无人机因果关联影响且对另一个无人机产生因果关联影响的第三变量。
5.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述第一神经网络包括四个自动编码器和一个全连通线性层神经网络，其中，四个自动编码器分别接收无人机间的传递熵值和三种因果封闭子图，输出各自的嵌入特征，再将四种嵌入特征输入
6.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，根据通过以下公式计算任意两条连边间的高斯相似度函数值：
7.根据权利要求6所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述第二神经网络通过以下步骤进行训练得到：
8.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，根据所述关联权重矩阵，通过以下公式更新初始化的关联矩阵：
9.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述根据连边特征和更新后的关联矩阵得到融合特征，包括：对于已知连边，其自身的连边特征直接作为融合特征；对于未知连边，分别将与每一条未知连边关联的已知连边的连边特征与对应的关联关系值相乘并求和后，与未知连边自身的连边特征相加，得到未知连边的融合特征。
10.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述将融合特征输入训练好的多层感知机分类器中，推断出无人机通信网络拓扑，包括：
...【技术特征摘要】
1.一种基于连边间关联的无人机通信网络推断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述无人机间的传递熵值通过以下公式计算得到：
3.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述基于因果关联网络，根据三种干扰因子结构分别构建对应的因果封闭子图，包括：
4.根据权利要求3所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述混淆结构造成的第三变量，是同时对所述两个无人机产生因果关联影响的第三变量；所述碰撞结构造成的第三变量，是同时受所述两个无人机因果关联影响的第三变量；所述中介结构造成的第三变量，是同时受所述两个无人机中的一个无人机因果关联影响且对另一个无人机产生因果关联影响的第三变量。
5.根据权利要求1所述的基于连边间关联的无人机通信网络推断方法，其特征在于，所述第一神经网络包括四个自动编码器和一个全连通线性层神经网络，其中，四个自动编码器分别接收无人机间的传递熵值和三种因果封闭子图，输出各自的嵌入特征，再将四种嵌入特...
【专利技术属性】
技术研发人员：李宇萌，谭滔，陈莘文，曹先彬，杜文博，
申请(专利权)人：北京航空航天大学，
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。