System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信息与通信工程的电子侦察领域,具体涉及一种基于graphsage的舰艇编队个体目标识别方法。
技术介绍
1、现代化军事对抗已成为智能化条件下的多维对抗,对抗空间也在不断拓展和升级。其中,海域对抗一直被看作是多维对抗领域中的关键组成部分。在海上对抗领域,由多个舰艇及舰载机构成的“海空”一体化对抗编队可以实现多维作战,实现更加多元的对抗任务。面对由多个类别组成的复杂编队,实现对集群中单个目标信息的有效感知,对于评估对抗态势以及进一步取得对抗胜利有着十分重要的意义。
2、海域对抗主要可以分为海上目标侦察、海上目标识别、海域态势评估和行动决策三个部分。其中,目标侦察的样本数量和特征质量对于整个对抗过程起着重要的支撑作用。在目标侦察过程中,联合采用雷达、卫星等“空天地海”多源异构侦察单元,可以充分发挥不同领域侦察优势,从而获取目标自身的多模态、多维度特征以及目标间的交互关系。海上目标识别作为整个对抗过程中的核心部分,其既要兼顾目标侦察所获取的多维特征,又需要承载态势评估和决策的先决条件。因此,如何充分利用目标的自身属性信息以及目标间的交互信息实现个体识别,是海上目标识别研究的重难点。
3、鉴于海域目标距离观测站位置较远,因此基于可见光或红外图像的识别方法并不适用。对于远距离目标检测识别,通常利用目标的电磁态势进行检测推理。常用的电磁特征包括基于主动雷达的目标特征(散射系数、rcs、位置等)、基于被动雷达的目标特征(pdw)及基于通信信号的特征(通信频率、协议等),随后采用多层感知机(multilaye
4、相比于传统的关系型数据库,以知识图谱为代表的图数据库对于表征目标的多模态数据具备灵活多变、直观性强、易于扩展等优势,图谱可以展示节点的自身属性以及节点间的拓扑关系,同时可以利用图结构的联通性展开图谱数据的深度挖掘。对于舰队识别领域,知识图谱可以将目标属性嵌入为节点自身特征,同时将节点间的通信关系嵌入为边特征,从而完成目标舰队信息的知识图谱构建。近年来,图卷积网络(graph convolutionsnetworks,gcn)已经被成功应用于多种非欧空间模型的数据挖掘中。对于生成的知识图谱模型,可以利用gcn的图卷积特性,基于少量已知的目标信息完成节点类别的推理。但是在基于图卷积网络的现有方法中,当目标自身属性信息缺失的情况下,对舰艇编队中个体目标识别的准确率仍然较低,因此,提出一种新的方法以提高舰艇编队中个体目标识别准确率是十分必要的,提高舰艇编队中个体目标识别准确率对获取对抗主动权有着极其重要的战略意义。
技术实现思路
1、本专利技术的目的是为解决在基于图卷积网络的现有方法中,当目标自身属性信息缺失的情况下,对舰艇编队中个体目标识别的准确率低的问题,而提出的一种基于graphsage的舰艇编队个体目标识别方法。
2、本专利技术为解决上述技术问题所采取的技术方案是:一种基于graphsage的舰艇编队个体目标识别方法,所述方法具体包括以下步骤:
3、步骤一、获取舰艇编队中每个目标的属性信息以及目标间的通信链路信息,再将每个目标分别作为知识图谱中的一个节点,根据获取的目标属性信息及通信链路信息构建知识图谱;
4、并将构建的知识图谱转化为图模型,图模型中每个节点的特征即为节点所对应目标的属性信息,图模型中的边特征即为边所连接的两个节点之间通信链路信息;
5、步骤二、对图模型中的节点特征进行预处理,得到预处理后的节点特征,并根据预处理后的节点特征构造特征矩阵;
6、步骤三、搭建第一图卷积神经网络模型graphsage和第二图卷积神经网络模型graphsage,利用构造的特征矩阵对搭建的模型进行训练;具体为:
7、将特征矩阵作为第一图卷积神经网络模型graphsage的输入,再将第一图卷积神经网络模型graphsage的输出作为第二图卷积神经网络模型graphsage的输入;并将第二图卷积神经网络模型graphsage的输出作为logsoftmax分类器的输入,利用logsoftmax分类器输出目标识别结果;
8、直至在特征矩阵的已知节点上识别准确率达到阈值时停止训练,获得训练好的第一图卷积神经网络模型graphsage、第二图卷积神经网络模型graphsage和logsoftmax分类器;
9、同时根据训练好的logsoftmax分类器的输出得到对未知节点的目标识别结果。
10、进一步地,所述属性信息包括pdw信息、运动信息和通信信号信息。
11、进一步地,所述pdw信息包括雷达的载频、脉宽、脉幅、脉冲重复间隔。
12、进一步地,所述运动信息包括雷达的rcs、散射系数、位置和速度。
13、进一步地,所述通信信号信息包括目标的载频、带宽和通信协议。
14、进一步地,所述对图模型中的节点特征进行预处理,预处理的具体过程为:
15、对节点特征中的字符串型数据进行数值型编码,将字符串型数据转化为数值型数据;再分别对每种属性信息的数据进行归一化,得到归一化后的数据;
16、对于任意的一种属性信息的数据,归一化方式如下:
17、
18、式中,x表示原始数据,xmax、xmin和xmean分别表示该种属性信息数据中的最大值、最小值和均值,x*表示对原始数据x归一化后的值。
19、进一步地,所述根据预处理后的节点特征构造特征矩阵,其具体为:
20、步骤1)、将图模型中包含的节点个数记为n,将n个节点覆盖的类别总数记为m,则根据先验信息从每个类别中分别选择出一个节点,并给选择出的节点打上标签后作为已知节点;
21、步骤2)、将图模型中每个节点的预处理后特征分别作为矩阵的一行,则利用图模型中全部节点的预处理后特征构造特征矩阵。
22、进一步地,所述第一图卷积神经网络模型graphsage的工作过程为:
23、步骤1、对于特征矩阵中的任一节点,采样出该节点周围的m′个节点后,对采样出的节点的特征进行均值聚合,将该节点的特征与均值聚合结果进行拼接,将拼接结果作为该节点的更新特征;同理,对特征矩阵中的每个节点进行特征更新;
24、步骤2、将更新后的特征输入到包含有16个神经元的隐藏层中,将隐藏层的输出作为第一图卷积神经网络模型graphsage的输出;
25、其中,隐藏层的处理过程为:
26、
27、式中,h(1)表示隐藏层的输出,表示包含自连接的节点邻接矩阵,表示的度矩阵,x表示步骤1的特征更新结果,w(0)表示权重参数,tanh表示激活函数。
28、进一步地,所述第二图卷积神经网络模型graphsa本文档来自技高网...
【技术保护点】
1.一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述方法具体包括以下步骤:
2.根据权利要求1所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述属性信息包括PDW信息、运动信息和通信信号信息。
3.根据权利要求2所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述PDW信息包括雷达的载频、脉宽、脉幅、脉冲重复间隔。
4.根据权利要求3所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述运动信息包括雷达的RCS、散射系数、位置和速度。
5.根据权利要求4所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述通信信号信息包括目标的载频、带宽和通信协议。
6.根据权利要求5所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述对图模型中的节点特征进行预处理,预处理的具体过程为:
7.根据权利要求6所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述根据预
8.根据权利要求7所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述第一图卷积神经网络模型GraphSAGE的工作过程为:
9.根据权利要求8所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述第二图卷积神经网络模型GraphSAGE的工作过程为:
10.根据权利要求9所述的一种基于GraphSAGE的舰艇编队个体目标识别方法,其特征在于,所述方法还包括步骤四,步骤四具体为:
...【技术特征摘要】
1.一种基于graphsage的舰艇编队个体目标识别方法,其特征在于,所述方法具体包括以下步骤:
2.根据权利要求1所述的一种基于graphsage的舰艇编队个体目标识别方法,其特征在于,所述属性信息包括pdw信息、运动信息和通信信号信息。
3.根据权利要求2所述的一种基于graphsage的舰艇编队个体目标识别方法,其特征在于,所述pdw信息包括雷达的载频、脉宽、脉幅、脉冲重复间隔。
4.根据权利要求3所述的一种基于graphsage的舰艇编队个体目标识别方法,其特征在于,所述运动信息包括雷达的rcs、散射系数、位置和速度。
5.根据权利要求4所述的一种基于graphsage的舰艇编队个体目标识别方法,其特征在于,所述通信信号信息包括目标的载频、带宽和通信协议。
6.根据权利要求...
【专利技术属性】
技术研发人员:陈涛,孙冠宇,余玉威,辛祺,蒋伊琳,
申请(专利权)人:哈尔滨工程大学,
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。