[发明专利]基于自适应滤波的图卷积神经网络池化方法

权利要求书

1.一种基于自适应滤波的图卷积神经网络池化方法，其特征在于，该方法包括下述内容：

第一部分、基于自适应滤波图卷积神经网络的卷积操作：在频域上设计低通滤波器、高通滤波器以及带通滤波器，并将各个滤波器转换为对应的空域卷积核；将各个空域卷积核分别经过图卷积神经网络进行卷积，得到各个滤波器对应的嵌入矩阵；将各个嵌入矩阵进行求和，得到总嵌入矩阵；

第二部分、基于自适应滤波图卷积神经网络的池化操作：

利用式(10)计算得到各个滤波器对应的得分矩阵；

S_s＝σ(C_sHΩ_s) (10)

其中，C_s、S_s分别为滤波器s对应的空域卷积核和得分矩阵，σ为激活函数，Ω_s为权重矩阵，H为总嵌入矩阵；

根据式(11)将各个得分矩阵进行求和，得到最终得分矩阵S；

S＝S_low-pass+S_high-pass+S_band-pass (11)

其中，S_low-pass、S_high-pass和S_band-pass分别为低通滤波器、高通滤波器以及带通滤波器对应的得分矩阵；

根据最终得分矩阵中各个节点的分数，由高到低对所有节点进行排序，选择排序靠前的多个节点作为索引操作的诱导子图；将索引得到新的邻接矩阵和嵌入矩阵作为输入，重复基于自适应滤波图卷积神经网络的卷积操作和池化操作，得到池化后的最终嵌入矩阵，至此完成基于自适应滤波的图卷积神经网络池化。

2.根据权利要求1所述的基于自适应滤波的图卷积神经网络池化方法，其特征在于，低通滤波器F_low-pass、高通滤波器F_high-pass和带通滤波器F_band-pass的表达式为：

F_low-pass＝α(1-βλ) (1)

F_high-pass＝α(1+β(λ-2)) (2)

F_band-pass＝α((λ-1)²-β) (3)

其中，α、β∈(0,1)为可学习参数，分别控制频率的振幅和频段的截止频率；λ为图拉普拉斯矩阵的特征值；

利用式(4)将各个滤波器转换为空域卷积核：

C_s＝Udiag(F_s)U^T (4)

其中，F_s表示滤波器s，s取low-pass、high-pass或band-pass；U为图拉普拉斯矩阵的特征矩阵，diag(·)表示对角矩阵，T表示矩阵转置。

3.根据权利要求1所述的基于自适应滤波的图卷积神经网络池化方法，其特征在于，低通滤波器的空域卷积核C_low-pass、高通滤波器的空域卷积核C_high-pass和带通滤波器的空域卷积核C_band-pass分别满足式(5)-(7)：

式中，I为单位矩阵，A为图的邻接矩阵，D为度矩阵。