现代防御技术 ›› 2023, Vol. 51 ›› Issue (2): 1-13.DOI: 10.3969/j.issn.1009-086x.2023.02.001
• 空天防御体系与武器 • 下一篇
收稿日期:
2022-05-10
修回日期:
2022-08-22
出版日期:
2023-04-28
发布日期:
2023-05-05
作者简介:
陈美杉(1991-),女,满族,辽宁营口人。助工,博士生,研究方向为雷达武器系统效能评估、作战仿真。
Meishan CHEN1,2, Kun QIAN1, Lingjie LI3, Ying LIU1
Received:
2022-05-10
Revised:
2022-08-22
Online:
2023-04-28
Published:
2023-05-05
摘要:
为研究解决空战目标威胁评估问题时目标属性复杂、数据非结构化等问题,提高评估效率,提出图卷积网络(graph convolutional network,GCN)的解决方法,并引入改进的指标相关性权重确定方法(improved criteria importance through intercriteria correlation,ICRITIC),构建了基于ICRITIC-GCN的目标威胁评估模型。针对战场威胁目标的空间拓扑性和属性复杂性,利用图卷积网络在处理非欧式数据时的优势进行学习训练;针对传统方法在属性权重时过于主观的问题,ICRITIC法考虑属性之间的关联性及属性的信息量,客观分配属性权重。仿真结果表示,该算法在解决多目标威胁评估问题时,在处理效率、准确率等方面均有所提升。
中图分类号:
陈美杉, 钱坤, 李玲杰, 刘赢. 基于ICRITIC-GCN的空战目标威胁评估[J]. 现代防御技术, 2023, 51(2): 1-13.
Meishan CHEN, Kun QIAN, Lingjie LI, Ying LIU. Target Threat Assessment of Air Combat Based on ICRITIC-GCN[J]. Modern Defense Technology, 2023, 51(2): 1-13.
指标 | 属性 | 意义 |
---|---|---|
目标类型 | 固定型 | 由于性能、攻击范围、所携带武器不同, 不同类型目标的攻击能力也有差别 |
目标速度 | 效益型 | 敌我双方飞机的速度都会对导弹的射程产生影响 |
目标进入角 | 成本型 | 目标进入角主要反映敌方目标是否是来袭目标 |
干扰能力 | 固定型 | 主要影响我方的电子对抗效果 |
目标高度 | 成本型 | 目标高度主要与敌机的攻击意图有关 |
敌我距离 | 成本型 | 敌我之间的距离主要影响导弹的杀伤概率 |
表1 指标属性及其意义
Table 1 Index attribute and significance
指标 | 属性 | 意义 |
---|---|---|
目标类型 | 固定型 | 由于性能、攻击范围、所携带武器不同, 不同类型目标的攻击能力也有差别 |
目标速度 | 效益型 | 敌我双方飞机的速度都会对导弹的射程产生影响 |
目标进入角 | 成本型 | 目标进入角主要反映敌方目标是否是来袭目标 |
干扰能力 | 固定型 | 主要影响我方的电子对抗效果 |
目标高度 | 成本型 | 目标高度主要与敌机的攻击意图有关 |
敌我距离 | 成本型 | 敌我之间的距离主要影响导弹的杀伤概率 |
序号 | 目标类型 | 目标速度/(m·s-1) | 目标进入角/( | 目标干扰能力 | 目标高度/km | 目标距离/km | 目标威胁值 |
---|---|---|---|---|---|---|---|
1 | 大 | 450 | 8 | 中 | 低 | 300 | 0.584 3 |
2 | 大 | 400 | 3 | 强 | 高 | 100 | 0.570 7 |
3 | 大 | 450 | 16 | 中 | 低 | 200 | 0.533 3 |
4 | 大 | 800 | 4 | 强 | 高 | 100 | 0.689 5 |
5 | 大 | 800 | 12 | 强 | 低 | 320 | 0.689 6 |
6 | 小 | 530 | 6 | 强 | 中 | 230 | 0.605 6 |
7 | 小 | 650 | 8 | 强 | 中 | 200 | 0.742 5 |
8 | 小 | 700 | 12 | 强 | 低 | 320 | 0.733 6 |
9 | 小 | 750 | 15 | 中 | 超低 | 400 | 0.754 1 |
10 | 小 | 640 | 18 | 强 | 中 | 280 | 0.676 4 |
11 | 直升机 | 90 | 12 | 弱 | 超低 | 320 | 0.392 7 |
12 | 直升机 | 110 | 3 | 无 | 中 | 100 | 0.392 7 |
13 | 直升机 | 100 | 9 | 无 | 中 | 260 | 0.335 1 |
14 | 直升机 | 120 | 15 | 无 | 低 | 160 | 0.358 6 |
15 | 直升机 | 80 | 6 | 弱 | 高 | 180 | 0.347 1 |
表2 测试集样本原始数据
Table 2 Raw data of samples in test set
序号 | 目标类型 | 目标速度/(m·s-1) | 目标进入角/( | 目标干扰能力 | 目标高度/km | 目标距离/km | 目标威胁值 |
---|---|---|---|---|---|---|---|
1 | 大 | 450 | 8 | 中 | 低 | 300 | 0.584 3 |
2 | 大 | 400 | 3 | 强 | 高 | 100 | 0.570 7 |
3 | 大 | 450 | 16 | 中 | 低 | 200 | 0.533 3 |
4 | 大 | 800 | 4 | 强 | 高 | 100 | 0.689 5 |
5 | 大 | 800 | 12 | 强 | 低 | 320 | 0.689 6 |
6 | 小 | 530 | 6 | 强 | 中 | 230 | 0.605 6 |
7 | 小 | 650 | 8 | 强 | 中 | 200 | 0.742 5 |
8 | 小 | 700 | 12 | 强 | 低 | 320 | 0.733 6 |
9 | 小 | 750 | 15 | 中 | 超低 | 400 | 0.754 1 |
10 | 小 | 640 | 18 | 强 | 中 | 280 | 0.676 4 |
11 | 直升机 | 90 | 12 | 弱 | 超低 | 320 | 0.392 7 |
12 | 直升机 | 110 | 3 | 无 | 中 | 100 | 0.392 7 |
13 | 直升机 | 100 | 9 | 无 | 中 | 260 | 0.335 1 |
14 | 直升机 | 120 | 15 | 无 | 低 | 160 | 0.358 6 |
15 | 直升机 | 80 | 6 | 弱 | 高 | 180 | 0.347 1 |
序号 | 目标类型 | 目标速度 | 目标进入角/( | 目标干扰能力 | 目标高度 | 目标距离 | 威胁等级 |
---|---|---|---|---|---|---|---|
1 | 0.375 | 0.330 | 0.625 | 0.75 | 0.75 | 0.333 | 4 |
2 | 0.375 | 0.286 | 0.938 | 1.00 | 0.25 | 1.000 | 4 |
3 | 0.375 | 0.330 | 0.125 | 0.75 | 0.75 | 0.667 | 4 |
4 | 0.375 | 0.643 | 0.875 | 1.00 | 0.25 | 1.000 | 6 |
5 | 0.375 | 0.643 | 0.375 | 1.00 | 0.75 | 0.267 | 6 |
6 | 0.625 | 0.402 | 0.750 | 1.00 | 0.50 | 0.567 | 5 |
7 | 0.625 | 0.509 | 0.625 | 1.00 | 0.50 | 0.667 | 7 |
8 | 0.625 | 0.554 | 0.375 | 1.00 | 0.75 | 0.267 | 7 |
9 | 0.625 | 0.598 | 0.188 | 0.75 | 1.00 | 0 | 7 |
10 | 0.625 | 0.500 | 0 | 1.00 | 0.50 | 0.400 | 6 |
11 | 1 | 0.009 | 0.375 | 0.50 | 1.00 | 0.267 | 2 |
12 | 1 | 0.027 | 0.938 | 0.25 | 0.50 | 1.000 | 2 |
13 | 1 | 0.018 | 0.563 | 0.25 | 0.50 | 0.467 | 1 |
14 | 1 | 0.036 | 0.188 | 0.25 | 0.75 | 0.800 | 1 |
15 | 1 | 0.000 | 0.750 | 0.50 | 0.25 | 0.730 | 1 |
表 3 测试集样本规范化处理后数据
Table 3 Data after normalization processing of samples in test set
序号 | 目标类型 | 目标速度 | 目标进入角/( | 目标干扰能力 | 目标高度 | 目标距离 | 威胁等级 |
---|---|---|---|---|---|---|---|
1 | 0.375 | 0.330 | 0.625 | 0.75 | 0.75 | 0.333 | 4 |
2 | 0.375 | 0.286 | 0.938 | 1.00 | 0.25 | 1.000 | 4 |
3 | 0.375 | 0.330 | 0.125 | 0.75 | 0.75 | 0.667 | 4 |
4 | 0.375 | 0.643 | 0.875 | 1.00 | 0.25 | 1.000 | 6 |
5 | 0.375 | 0.643 | 0.375 | 1.00 | 0.75 | 0.267 | 6 |
6 | 0.625 | 0.402 | 0.750 | 1.00 | 0.50 | 0.567 | 5 |
7 | 0.625 | 0.509 | 0.625 | 1.00 | 0.50 | 0.667 | 7 |
8 | 0.625 | 0.554 | 0.375 | 1.00 | 0.75 | 0.267 | 7 |
9 | 0.625 | 0.598 | 0.188 | 0.75 | 1.00 | 0 | 7 |
10 | 0.625 | 0.500 | 0 | 1.00 | 0.50 | 0.400 | 6 |
11 | 1 | 0.009 | 0.375 | 0.50 | 1.00 | 0.267 | 2 |
12 | 1 | 0.027 | 0.938 | 0.25 | 0.50 | 1.000 | 2 |
13 | 1 | 0.018 | 0.563 | 0.25 | 0.50 | 0.467 | 1 |
14 | 1 | 0.036 | 0.188 | 0.25 | 0.75 | 0.800 | 1 |
15 | 1 | 0.000 | 0.750 | 0.50 | 0.25 | 0.730 | 1 |
样本序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 识别率/% |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
真实标签 | 4 | 4 | 4 | 6 | 6 | 5 | 7 | 7 | 7 | 6 | 2 | 2 | 1 | 1 | 1 | 80 |
预测标签 | 4 | 4 | 4 | 6 | 6 | 7 | 7 | 7 | 7 | 6 | 1 | 1 | 1 | 1 | 1 |
表4 预测标签与真实标签对比
Table 4 Predicted tag vs. true tag
样本序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 识别率/% |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
真实标签 | 4 | 4 | 4 | 6 | 6 | 5 | 7 | 7 | 7 | 6 | 2 | 2 | 1 | 1 | 1 | 80 |
预测标签 | 4 | 4 | 4 | 6 | 6 | 7 | 7 | 7 | 7 | 6 | 1 | 1 | 1 | 1 | 1 |
样本序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 识别率/% | ||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
距离测度 | 定义 | 真实标签 | 4 | 4 | 4 | 6 | 6 | 5 | 7 | 7 | 7 | 6 | 2 | 2 | 1 | 1 | 1 | |
欧氏 距离 | 预 测 标 签 | 4 | 4 | 4 | 6 | 6 | 7 | 7 | 7 | 7 | 6 | 1 | 1 | 1 | 1 | 1 | 80.0 | |
曼哈顿 距离 | 4 | 4 | 4 | 6 | 6 | 6 | 7 | 7 | 7 | 8 | 1 | 1 | 1 | 1 | 1 | 73.3 | ||
余弦 相似度 | 4 | 4 | 4 | 4 | 8 | 6 | 7 | 8 | 7 | 8 | 1 | 1 | 1 | 1 | 1 | 46.7 | ||
赋权 欧氏距离 | 4 | 4 | 4 | 6 | 6 | 6 | 7 | 7 | 7 | 6 | 2 | 1 | 1 | 1 | 1 | 86.7 |
表5 不同距离测度下的训练效果
Table 5 Training effects under different distance measures
样本序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 识别率/% | ||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
距离测度 | 定义 | 真实标签 | 4 | 4 | 4 | 6 | 6 | 5 | 7 | 7 | 7 | 6 | 2 | 2 | 1 | 1 | 1 | |
欧氏 距离 | 预 测 标 签 | 4 | 4 | 4 | 6 | 6 | 7 | 7 | 7 | 7 | 6 | 1 | 1 | 1 | 1 | 1 | 80.0 | |
曼哈顿 距离 | 4 | 4 | 4 | 6 | 6 | 6 | 7 | 7 | 7 | 8 | 1 | 1 | 1 | 1 | 1 | 73.3 | ||
余弦 相似度 | 4 | 4 | 4 | 4 | 8 | 6 | 7 | 8 | 7 | 8 | 1 | 1 | 1 | 1 | 1 | 46.7 | ||
赋权 欧氏距离 | 4 | 4 | 4 | 6 | 6 | 6 | 7 | 7 | 7 | 6 | 2 | 1 | 1 | 1 | 1 | 86.7 |
方法 | 识别率/% | 效率/ms |
---|---|---|
TOPSIS | 86.7 | 0.173 3 |
VIKOR | 80.0 | 0.153 6 |
本文算法 | 86.7 | 0.073 4 |
表6 与传统算法比较分析
Table 6 Comparison results with traditional algorithms
方法 | 识别率/% | 效率/ms |
---|---|---|
TOPSIS | 86.7 | 0.173 3 |
VIKOR | 80.0 | 0.153 6 |
本文算法 | 86.7 | 0.073 4 |
量化标准 | 最佳评估效果 | 识别率/% | |||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
样本序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | ||
九级量化 | 真实标签 | 4 | 4 | 4 | 6 | 6 | 5 | 7 | 7 | 7 | 6 | 2 | 2 | 1 | 1 | 1 | 86.7 |
预测标签 | 4 | 4 | 4 | 6 | 6 | 6 | 7 | 7 | 7 | 6 | 2 | 1 | 1 | 1 | 1 | ||
七级量化 | 真实标签 | 3 | 3 | 2 | 4 | 4 | 3 | 4 | 4 | 4 | 4 | 1 | 1 | 1 | 1 | 1 | 93.3 |
预测标签 | 3 | 3 | 2 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 1 | 1 | 1 | 1 | 1 |
表7 不同区间分离度的识别效果
Table 7 Recognition effect under different interval separation degree
量化标准 | 最佳评估效果 | 识别率/% | |||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
样本序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | ||
九级量化 | 真实标签 | 4 | 4 | 4 | 6 | 6 | 5 | 7 | 7 | 7 | 6 | 2 | 2 | 1 | 1 | 1 | 86.7 |
预测标签 | 4 | 4 | 4 | 6 | 6 | 6 | 7 | 7 | 7 | 6 | 2 | 1 | 1 | 1 | 1 | ||
七级量化 | 真实标签 | 3 | 3 | 2 | 4 | 4 | 3 | 4 | 4 | 4 | 4 | 1 | 1 | 1 | 1 | 1 | 93.3 |
预测标签 | 3 | 3 | 2 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 1 | 1 | 1 | 1 | 1 |
1 | HUMA N, ASIF M. An Optimal Dynamic Threat Evaluation and Weapon Scheduling Technique[J]. Knowledge Based Systems, 201, 23(3): 337-342. |
2 | 程明,周德云,张堃.基于混合型多属性决策方法的目标威胁评估[J].电光与控制,2010,17(1):11-13. |
CHENG Ming, ZHOU Deyun, ZHANG Kun. Threat Assessment of Target Based on a Hybrid Multi-attribute Decision-Making Method[J].Electronics Optics & Control,2010,17(1):11-13. | |
3 | 王毅,刘三阳,张文,等.属性权重不确定的直觉模糊多属性决策的威胁评估方法[J].电子学报,2014,42(12):2509-2514. |
WANG Yi, LIU Sanyang, ZHANG Wen,et al. Threat Assessment Method with Uncertain Attribute Weight Based on Intuitionistic Fuzzy Multi-attribute Decision[J]. Acta Electronica Sinica, 2014,42(12):2509-2514. | |
4 | 方诚喆,寇英信,徐安,等.基于AHP-CRITIC组合赋权的VIKOR空战威胁评估[J].电光与控制,2021,28(2):24-28. |
FANG Chengzhe, KOU Yingxin, XU An,et al. VIKOR Air Combat Threat Assessment Based on AHP-CRITIC Combination Empowerment[J].Electronics Optics & Control,2021,28(2):24-28. | |
5 | 孙云柯,方志耕,陈顶.基于动态灰色主成分分析的多时刻威胁评估[J].系统工程与电子技术,2021,43(3):740-746. |
SUN Yunke, FANG Zhigeng, CHEN Ding.Threat Assessment Model Based on Dynamic Grey Principal Component Analysis and Multi-time Fusion[J].Systems Engineering and Electronics,2021,43(3):740-746. | |
6 | 胡涛,王栋,孙曜,等.基于改进CRITIC-LRA和灰色逼近理想解排序法的空战威胁评估[J].兵工学报,2020,41(12):2561-2569. |
HU Tao, WANG Dong, SUN Yao,et al. Air Combat Threat Assessment of Improved CRITIC-LRA and Grey TOPSIS[J].Acta Armamentarii,2020,41(12):2561-2569. | |
7 | 卢盈齐,范成礼,付强,等.基于改进IFRS相似度和信息熵的反导作战目标威胁评估[JL].系统工程与电子技术,2022,44(4):1230-1238. |
LU Yingqi, FAN Chengli, FU Qiang,et al. Missile Defense Target Threat Assessment Based on Improved Similarity Measure and Information Entropy of Intuitionistic Fuzzy Rough Sets[J]. Systems Engineering and Electronics,2022,44(4):1230-1238. | |
8 | 董鹏宇,王红卫,陈游.区间条件下基于GRA和TOPSIS的辐射源威胁评估[J].控制与决策,2021,36(6):1516-1522. |
DONG Pengyu, WANG Hongwei, CHEN You.Combining TOPSIS and GRA for Emitter Threat Evaluation with Interval Numbers[J].Control and Decision,2021,36(6):1516-1522. | |
9 | 高杨,黄仰超,程国兵,等.直觉模糊信息下基于VIKOR和三支决策的多目标威胁评估方法[J].电子学报,2021,49(3):542-549. |
GAO Yang, HUANG Yangchao, CHENG Guobing,et al. Multi-target Threat Assessment Method Based on VIKOR and Three-Way Decisions under Intuitionistic Fuzzy Information[J].Acta Electronica Sinica,2021,49(3):542-549. | |
10 | 李特,冯琦,张堃.基于熵权灰色关联和D-S证据理论的威胁评估[J].计算机应用研究,2013,30(2):380-382. |
LI Te, FENG Qi, ZHANG Kun.Threat Assessment Based on Entropy Weight Grey Incidence and D-S Theory of Evidence[J].Application Research of Computers,2013,30(2):380-382. | |
11 | 王改革.基于智能算法的目标威胁估计[D].长春:中国科学院(长春光学精密机械与物理研究所),2013:11-30. |
WANG Gaige. Target Threat Assessment Using Intelligence Algorithms[D].Changchun:Chinese Acadamy of Sciences (Changchun Institute of Optics,Fine Mechanics and Physics),2013:11-30. | |
12 | 王向华,覃征,刘宇,等.径向基神经网络解决威胁排序问题[J].系统仿真学报,2004(7):1576-1579. |
WANG Xianghua, QIN Zheng, LIU Yu,et al. RBF Neural Network for Threat Sequencing[J].Journal of System Simulation,2004(7):1576-1579. | |
13 | 郭辉,徐浩军,刘凌.基于回归型支持向量机的空战目标威胁评估[J].北京航空航天大学学报,2010,36(1):123-126. |
GUO Hui, XU Haojun, LIU Ling. Target Threat Assessment of Air Combat Based on Support Vector Machines for Regression[J].Journal of Beijing University of Aeronautics and Astronautics,2010,36(1):123-126. | |
14 | 奚之飞,徐安,寇英信,等.基于PCA-MPSO-ELM的空战目标威胁评估[J].航空学报,2020,41(9):216-231. |
XI Zhifei, XU An, KOU Yingxin,et al.Target Threat Assessment in Air Combat Based on PCA-MPSO-ELM Algorithm[J].Acta Aeronautica et Astronautica Sinica,2020,41(9):216-231. | |
15 | DEFFERRARD M, BRESSON X, VANDERGHEYNST P. Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering[C]∥Proc.of the Advances in Neural Information Processing Systems (NIPS),2016:3844-3852. |
16 | HENAFF M, BRUNA J, LECUN Y. Deep Convolutional Networks on Graph-Structured Data[J].arXiv Preprint arXiv:,2015. |
17 | 花豹,周彬,顾星海,等.基于图神经网络的工艺表格语义相似性度量[J].计算机集成制造系统,2022,28(12):3805-3821. |
HUA Bao, ZHOU Bin, GU Xinghai, et al. Semantic Similarity Measurement of Process Table Based on Graph Neural Network[J]. Computer Integrated Manufacturing Systems,2022,28(12):3805-3821. | |
18 | 郭嘉琰,李荣华,张岩,等.基于图神经网络的动态网络异常检测算法[J].软件学报,2020,31(3):748-762. |
GUO Jiayan, LI Ronghua, ZHANG Yan,et al.Graph Neural Network Based Anomaly Detection in Dynamic Networks[J].Journal of Software, 2020,31(3):748-762. | |
19 | YU Wenchao, CHENG Wei, AGGARWAL C C, et al. Netwalk: A Flexible Deep Embedding Approach for Anomaly Detection in Dynamic Networks[C]∥Proc. of the 24th ACM SIGKDD Int’l Conf. on Knowledge Discovery and Data Mining (KDD), 2018: 2672-2681. |
20 | 闫旭,范晓亮,郑传潘,等.基于图卷积神经网络的城市交通态势预测算法[J].浙江大学学报(工学版),2020,54(6):1147-1155. |
YAN Xu, FAN Xiaoliang, ZHENG Chuanpan,et al. Urban Traffic Flow Prediction Algorithm Based on Graph Convolutional Neural Networks[J].Journal of Zhejiang University (Engineering Science),2020,54(6):1147-1155. | |
21 | 刘忠雨,李彦霖,周洋.深入浅出图神经网络:GNN原理解析[M].北京:机械工业出版社, 2020. |
LIU Zhongyu, LI Yanlin, ZHOU Yang. Learning Graph Neural Network[M].Beijing: China Machine Press,2020. | |
22 | 张力, 陈伟, 刘志坚,等. 基于综合威胁和MADM的超视距威胁评估研究[J]. 数学的实践与认识, 2017(19):111-118. |
ZHANG Li, CHEN Wei, LIU Zhijian,et al. Research on Over-the-Horizon Threat Assessment Based on Comprehensive Threat and MADM[J]. Mathematics in Practice and Theory,2017(19):111-118. | |
23 | 董彦非,郭基联,张恒喜.多机空战目标威胁评估算法[J].火力与指挥控制,2002(4):73-76. |
DONG Yanfei, GUO Jilian, ZHANG Hengxi. Threat Assessment for Multi-Aircraft-Air Combat[J].Fire Control &Command Control,2002(4):73-76. | |
24 | 徐宇恒,程嗣怡,庞梦洋.基于CRITIC-TOPSIS的动态辐射源威胁评估[J].北京航空航天大学学报,2020,46(11):2168-2175. |
XU Yuheng, CHENG Siyi, PANG Mengyang.Dynamic Radiator Threat Assessment Based on CRITIC-TOPSIS[J].Journal of Beijing University of Aeronautics and Astronautics,2020,46(11):2168-2175. | |
25 | 方冰,韩冰,闻传花.基于新型距离测度的概率犹豫模糊多属性群决策方法[J].控制与决策,2022,37(3):729-736. |
FANG Bing, HAN Bing, WEN Cuanhua. Probabilistic Hesitant Fuzzy Group Decision-Making Based on New Distance Measure[J].Control and Decision,2022,37(3):729-736. | |
26 | 范敏,范晓波,胥小波,等.基于混合图卷积网络模型的节点分类方法[J].通信技术,2020,53(12):2973-2982. |
FAN Ming, FAN Xiaobo, XU Xiaobo,et al. Node Classification Method Based on GCN Mixture Model[J].Communications Technology,2020,53(12):2973-2982. | |
27 | 仝宗和,袁立宁,王洋.图卷积神经网络理论与应用[J].信息技术与信息化,2020,23(2):187-192. |
TONG Zonghe, YUAN Lining, WANG Yang. Theory and Application of Graph Convolutional Neural Network[J].Information Technology and Informatization,2020,23(2):187-192. | |
28 | GLIGORIJEVIĆ V, RENFREW P D, KOSCIOLEK T, et al. Structure-Based Protein Function Prediction Using Graph Convolutional Networks [J]. Nature Communications, 2021, 12(1): 3168. |
[1] | 李威, 卢盈齐. 基于聚类组合赋权的空袭目标威胁评估方法[J]. 现代防御技术, 2022, 50(3): 17-24. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||