[发明专利]一种基于深度学习的多源定位方法

权利要求书

1.一种基于深度学习的多源定位方法，其特征在于，包括以下步骤：

在原始无向网络中随机选取k个传播源节点s*；

基于流行病传播SI模型对原始网络进行扩散，直到轮次结束，或不再产生新的感染节点为止，随后将抽取源节点扩散后生成的节点与边，生成感染子图G_infected；

根据感染子图，随机选取设定比例的感染节点作为观测者节点集合O＝{o₁，o₂，...，o_m}，记录被选取的节点的感染时间，得到感染时间集合T；

构建节点的特征提取：基于随机游走获得感染节点设定长度的k条路径，取并集得到关于任意观测节点o_i的关联节点集合C_i，提取C_i中的关联节点相对于观测节点o_i的距离参数α，并根据集合C_i与集合O计算每一个节点v的特征的向量集合X_v⁽ⁱ⁾＝{x_v⁽¹⁾，x_v⁽²⁾，…，x_v⁽ⁱ⁾}；

再通过整理，得到v节点相对于每一个观测者o_i的向量集合X_v；

构建自编码网络框架对v_i的原始特征值进行不断地编译、集成、解码，计算每轮迭代损失，生成集成特征z_i；

结合已生成的集成特征z_i进行概率计算，得到节点为源的可能性评估分数，选择前k个节点，作为估计源集合。

2.根据权利要求1所述的基于深度学习的多源定位方法，其特征在于，所述构建节点的特征提取具体包括：首先考虑节点传播的路径，对已被观测到的感染o_i节点进行感染路径的模拟，通过随机游走得到设定长度的k条路径l，表示为生成路径集合C_i，表示为提取所有节点相对于观测节点的距离参数α，记为α表示节点v_i到v_j的时空关系，对节点与节点间的距离进行记录，得到α，α表示节点v_i到v_j的时空关系；

根据集合C_i与集合O计算节点集合V＝{v₁，v₂，…，v_k}中每一个节点v的特征性向量组x_v，表示为

3.根据权利要求1所述的基于深度学习的多源定位方法，其特征在于，的计算公式符合：

其中t_i为感染时间集合T中对应第i个节点的感染时间。

4.根据权利要求1所述的基于深度学习的多源定位方法，其特征在于，所述构建自编码网络框架对v_i的原始特征值进行不断地编译、集成、解码，计算每轮迭代损失，生成最终的集成特征z_i包括：

在进行节点的特征提取之后，所有节点的总体信息进入到多层自编码网络中进行训练，重复完成编码、集成、解码的过程，直到满足迭代次数或损失达到阈值；

整体的自编码网络由编码器、解码器两部分组成，两层中间连接的是定位算法所需要的节点集成特征，即集成层；同时，从四个方面，编码损失，α差异损失，时间差异损失和正则项，定义自编码网络的损失函数构建，生成最终的集成特征z_i。