[发明专利]一种采用深度图嵌入的无人机集群组网方法与系统

说明书

本发明涉及一种采用深度图嵌入的无人机集群组网方法及系统，该方法包括：对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值；采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应；根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。本发明提出的采用深度图嵌入的无人机集群组网方法，可提高网络的敏捷性及无人机大范围协同作战的能力。

技术领域

本发明涉及航空网络控制技术领域，特别涉及一种采用深度图嵌入的无人机集群组网方法与系统。

背景技术

无人机集群网络的技术基础为移动Ad Hoc网络，移动Ad Hoc网络是一种不依赖预先存在的基础设施，而是在需要时进行临时构建的无线移动通信网络。机会网络的“存储-携带-转发”模型，使无人机自组网即使在网络连通性无法保证的情况下，仍然可以进行有效的消息传递。

在机会网络中进行拓扑预测的研究时，建立预测模型提取网络拓扑结构的内部隐藏规律，从而根据预测结果选择消息转发节点是一种惯用且有效的方案。循环神经网络用于处理序列数据的计算，可实现一到多、多到一、多到多的序列映射，常用于自然语言处理研究中，由于图嵌入技术可以将网络数据嵌入到低维的向量空间中，因此可以将循环神经网络应用到机会网络的拓扑预测中。关于组网分簇策略可以使高动态的无人机自组网增大网络容量，组建网络信息传输结构，提升高动态自组网络的适应能力，因此关于无人机自组网分簇算法的研究日渐丰富。

当前组网机制分为对等组网方式以及分簇组网方式，对等组网往往需要维护路由信息，增加了资源的损耗，且效率受到影响；而分簇算法追求网络的稳定性，未能从机会网络特性考虑无人机集群组网，无法将信息发送到当前不连通的目标节点。

发明内容

基于此，本发明的目的是为了解决现有技术中，缺乏一种合理的组网方案，以解决稀疏高动态的无人机集群网络中无法传输延时容忍的信息的问题。

为了解决这一技术问题，本发明提出一种采用深度图嵌入的无人机集群组网方法，其中，所述方法包括：

对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值；

采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应；

根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。

本发明提出的采用深度图嵌入的无人机集群组网方法，首先对历史网络数据进行预处理，并计算得到向含权图对应的权值，然后通过目标函数对编码解码模型进行收敛处理后，根据编码解码模型对所述历史网络数据进行图嵌入，以提取得到历史网络数据中各节点的拓扑结构信息，最后根据拓扑结构信息对无人机集群网络进行个体局部分层组网。本发明提出的采用深度图嵌入的无人机集群组网方法，通过深度动态网络嵌入技术对无人机集群网络进行表征，并根据机会势能实施分层组网，可提高网络的敏捷性以及无人机大范围协同作战的能力。

所述采用深度图嵌入的无人机集群组网方法，其中，在对历史网络数据进行量化处理得到网络快照数据的方法中，包括如下步骤：

根据时间步长对所述历史网络数据进行切片，以形成网络快照集合G＝{X_t1…X_tw}，其中X_ti代表t_i时刻的网络快照。

所述采用深度图嵌入的无人机集群组网方法，其中，在对所述网络快照数据进行数据表示的步骤中，表示当前快照中第i个节点的数据表示，的数据表示形式为：