[发明专利]一种基于深度学习的指挥控制网络关键节点识别方法

权利要求书

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-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；

步骤2-2：搭建分类神经网络模块：

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；

步骤2-3：搭建指挥控制网络关键节点识别神经网络：

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。

4.根据权利要求2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：

步骤3-1：前向传播

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；

步骤3-2：定义损失函数：

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；

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；

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。

5.根据权利要求4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：

步骤4-1：加载保存的神经网络模型及参数：

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，得到关键节点对应的标号，实现指挥控制网络的关键节点的识别。