(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211161186.X (22)申请日 2022.09.22 (71)申请人 中国人民解 放军海军航空大 学 地址 264001 山东省烟台市芝罘区二马路 188号 (72)发明人 郭晨　孙顺　刘瑜　董凯　祁亚辉　 徐从安　丁自然　 (74)专利代理 机构 烟台上禾知识产权代理事务 所(普通合伙) 37234 专利代理师 苏红红 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06F 17/16(2006.01) G06F 16/901(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于GNN的同步航迹鲁棒性关联方法 (57)摘要 本发明公开了一种基于GNN的同步航迹鲁棒 性关联方法， 包括以下步骤： 步骤1.获取每个传 感器探测到的目标点迹数据， 构建航迹图； 步骤 2.对航迹图利用特征学习网络模型学习， 得到目 标点迹的嵌入表示向量； 步骤3.将同一条目标航 迹中点迹的嵌入表示向量按照时间顺序拼接在 一起， 得到每个传感器对每个目标航迹的嵌入表 示向量； 步骤4.利用关联判别网络模型判断航迹 之间的关联结果。 本发明充分考虑目标航迹的结 构特点， 并充分利用邻近目标航迹的拓扑结构特 征， 适用范围广、 性能稳定性强。 权利要求书2页 说明书5页 附图1页 CN 115512221 A 2022.12.23 CN 115512221 A 1.一种基于GN N的同步航迹鲁棒性关联方法， 其特 征在于， 包括以下步骤： 步骤1.获取每 个传感器探测到的目标点迹数据， 构建航迹图； 步骤2.对航迹图利用特 征学习网络模型 学习， 得到目标点迹的嵌入表示向量； 步骤3.将同一条目标航迹中点迹的嵌入表示向量拼接在一起， 得到每个传感器对每个 目标航迹的嵌入表示向量； 步骤4.利用关联判别网络模型判断航迹之间的关联 结果。 2.根据权利要求1所述的一种基于GNN的同步航迹鲁棒性关联方法， 其特征在于， 所述 步骤1中构建航迹图的具体过程如下： 定义传感器n观测到的目标航迹图为无向图Gn＝(Vn,En)； ； 其中Vn为节点的集合， 传感器 n观测到的所有目标点迹的集合 表示第i条目标航迹的第k个点迹的状态 向量， D为状态向量的维度； 为边的集合， 边的集合的分为三部分， 即 其中 为时域 边， 表示节点在时间域的关系， 用于节点之间传播目标航迹信息； 为空域边， 表示节点在 空间域上的关系， 用于接收邻近目标的点迹信息； 为节点的自环边， 避免特征学习过程中 的过平滑现象； 时域边为： 其中， 表示传感器n观测到的第i条目标航迹， W为同步航迹关联 时的滑窗长度； 空域边为： 其中， 为不同目标点迹状态向量之间的距离度量函数， δ为设定的点迹邻域 范围的阈值； 自环边为： 3.根据权利要求1所述的一种基于GNN的同步航迹鲁棒性关联方法， 其特征在于， 所述 步骤2中学习网络模型采用GraphSAGE构建， 具体为： 特征学习网络输入为传感器的航迹图Gn， 输入特征为 其中xv为归一化的 目标点迹状态向量； 令节点v的直接邻域节点的集 合表示为 设第l步时的节点表征向量为 特征学习网络通过聚合第l层邻近节点的嵌 入表示， 得到l+1层节点的嵌入表示 为：权　利　要　求　书 1/2 页 2 CN 115512221 A 2式中， 为权重矩阵， concat( ·)为向量拼接操作， MEAN( ·)表示求均值操作， ReLU(·)为激活函数。 4.据权利要求3所述的一种基于GNN的同步航迹鲁棒性关联方法， 其特征在于， 所述步 骤3中， 将同一条目标航迹中点迹的嵌入表示向量按照时间顺序拼接在一起， 得到每个传感 器对每个目标航迹的嵌入表示 为： 5.据权利要求4所述的一种基于GNN的同步航迹鲁棒性关联方法， 其特征在于， 所述步 骤4中关联判别网络模型 具体如下： 关联判别网络为两层全连接层， 输入为由航迹图计算得到的目标航迹的嵌入表示向 量， 输出航迹关联 结果。 6.根据权利要求5所述的一种基于GNN的同步航迹鲁棒性关联方法， 其特征在于， 关联 判别网络模型中第一层全连接层包含2WD个神经元， 第二层全连接层设计为包含WD个神经 元。 7.根据权利要求5所述的一种基于GNN的同步航迹鲁棒性关联方法， 其特征在于， 使用 交叉熵作为损失函数 联合训练特 征学习网络和关联判别网络 。权　利　要　求　书 2/2 页 3 CN 115512221 A 3