Loading [MathJax]/jax/element/mml/optable/BasicLatin.js
高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于双曲图注意力网络的知识图谱链路预测方法

吴铮 陈鸿昶 张建朋

孙挺, 程旭. 信号相关杂波背景中极化雷达发射波形优化[J]. 电子与信息学报, 2021, 43(5): 1275-1281. doi: 10.11999/JEIT200138
引用本文: 吴铮, 陈鸿昶, 张建朋. 基于双曲图注意力网络的知识图谱链路预测方法[J]. 电子与信息学报, 2022, 44(6): 2184-2194. doi: 10.11999/JEIT210321
Ting SUN, Xu CHENG. Transmit Waveform Optimization of Polarimetric Radar in Signal-dependent Clutter[J]. Journal of Electronics & Information Technology, 2021, 43(5): 1275-1281. doi: 10.11999/JEIT200138
Citation: WU Zheng, CHEN Hongchang, ZHANG Jianpeng. Link Prediction in Knowledge Graphs Based on Hyperbolic Graph Attention Networks[J]. Journal of Electronics & Information Technology, 2022, 44(6): 2184-2194. doi: 10.11999/JEIT210321

基于双曲图注意力网络的知识图谱链路预测方法

doi: 10.11999/JEIT210321
基金项目: 国家自然科学基金青年基金(62002384),郑州市协同创新重大专项(162/32410218),中国博士后科学基金面上项目(47698)
详细信息
    作者简介:

    吴铮:男,1992年生,博士生,研究方向为图神经网络、网络大数据分析

    陈鸿昶:男,1964年生,教授,研究方向为智能信息处理、人工智能

    张建朋:男,1988年生,助理研究员,研究方向为数据挖掘、社会网络分析

    通讯作者:

    吴铮 wzxuexizhuanyong@163.com

  • 中图分类号: TP181

Link Prediction in Knowledge Graphs Based on Hyperbolic Graph Attention Networks

Funds: The National Natural Science Foundation for Young Scholars (62002384), The Collaborative Innovation Program of Zhengzhou (162/32410218), The General Program of China Postdoctoral Science Foundation (47698)
  • 摘要: 现有的大多数知识表示学习模型孤立地看待每个知识三元组,未能发现和利用实体周围邻域特征信息,并且将树状层级结构的知识图谱嵌入到欧式空间,会带来嵌入式向量高度失真的问题。为解决上述问题,该文提出了一种基于双曲图注意力网络的知识图谱链路预测方法(HyGAT-LP)。首先将知识图谱嵌入到负常数曲率的双曲空间中,从而更契合知识图谱的树状层级结构;然后在所给实体领域内基于实体和关系两种层面的注意力机制聚合邻域特征信息,将实体嵌入到低维的双曲空间;最后利用得分函数计算每个三元组的得分值,并以此作为判定该三元组成立的依据完成知识图谱上的链路预测任务。实验结果表明,与基准模型相比,所提方法可显著提高知识图谱链路预测性能。
  • 极化反映了电磁波的矢量性,作为电磁波的基本参量之一,极化信息的利用可显著提高雷达的探测性能。自20世纪50年代诞生以来,极化雷达在导弹防御、地理信息遥感、气象监测等方面的表现日益突出,成为微波感知领域的重要力量[1-4]。近年来,数字任意波形发生器、固态发射机以及高速信号处理硬件等先进技术的大力发展,促使现代雷达系统能够摆脱传统固定波形的束缚,取而代之的是采用更加灵活的波形设计,从而适应不同目标和环境的变化。通过对波形进行优化,雷达根据当前照射得到的目标和干扰知识,优化调整下一次波形的发射参数,提高其在目标检测、参数估计以及抗干扰等方面的性能。在雷达学术界,雷达波形优化/设计已经成为包括多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达和认知雷达在内的多种新体制雷达的重要研究方向之一[5-7]

    虽然从数学模型上看,全极化雷达可看作具有两个发射通道和两个接收通道的集中式MIMO雷达[8],但全极化雷达利用电磁波的矢量性,挖掘目标和干扰在极化特性上的差异,所以有着和MIMO雷达不同的特异性,因此,需要开展全极化雷达波形设计的专门研究。在这方面,提高滤波器输出的信干噪比(Signal Interference-plus-Noise Ratio, SINR)是其中具有典型意义的代表性工作。特别地,针对发射波形功率约束的信号相关杂波背景中波形优化问题,文献[9]从最大化SINR的角度,提出了一种发射波形-接收滤波器联合优化设计方法(以作者姓氏命名,称为Pillai方法)。由于文献[9]提出的迭代方法不具有收敛性,文献[10]提出了一种新的迭代优化算法(称为Chen方法),实现了目标函数的单调递增和收敛性。文献[11]和文献[12]则分别研究了波形在能量和峰值旁瓣比、能量和频谱耦合度双重约束条件下的最优波形设计问题,所提出的数值优化方法均能保证优化结果的收敛性。

    不难理解,单纯给发射波形施加能量约束,而不施加其他条件限制,将无法保证波形在距离分辨率、峰值旁瓣比和模糊函数等方面的特性,而通过对待优化波形施加相似性约束条件可以较好地解决这一问题,也就是使得待优化波形与一个具有优良属性(比如恒定幅度、合适的距离分辨率和峰值旁瓣比)的已知波形保持一定相似度。为此,除能量约束之外,本文对发射波形施加相似性约束,研究相应的发射波形和接收滤波器联合优化方法。将提出一种发射信号和接收滤波器迭代优化流程(算法),该流程逐次改善滤波器输出SCNR。采用实测目标数据设计的实验证实本文方法的有效性,结果表明,通过共同优化发射端和接收端,可以获得显著的SCNR改善。

    考虑雷达系统发射全极化波形s,在快时间域,上述波形经N次数字采样后为式(1)所示的2N维复矢量

    s[(sH,0,sV,0),···,(sH,N1,sV,N1)]T (1)

    其中,符号表示“定义为”,符号“H”和“V”分别表示水平极化和垂直极化,()T为矩阵转置操作。

    当给定视线角为θ,距离单元为n时,全极化目标散射矩阵Tn(θ)为目标脉冲响应矩阵(Target Impulse Response Matrix, TIRM)的一部分,即有

    Tn(θ)Δ=[THH,n(θ)THV,n(θ)TVH,n(θ)TVV,n(θ)],θ[0,2π) (2)

    其中,TXY,n(θ)表示当雷达相对目标视线角度为θ、发射极化为“Y”、接收极化为“X”(X,Y{H,V})时目标第n个距离单元的复散射系数。相似地

    CnΔ=[CHH,nCHV,nCVH,nCVV,n] (3)

    为杂波的第n个距离单元极化散射矩阵。

    取TIRM的支撑区间长度为Q,回波观测样本数目为M,令M=Q+N1,以使目标的回波信息在一次雷达接收中完全采样。则TIRM和杂波的脉冲响应矩阵(Clutter Impulse Response Matrix, CIRM)分别表示为[9]

    T(θ)Q1n=0JnTn(θ),   CM1n=N+1JnCn (4)

    其中,符号“”表示Kronecker乘积,JnM×N维转移矩阵,即

    Jn(1,2)Δ={1,12=n0,12n,1{1,2,···,M},2{1,2,···,N} (5)

    将接收回波样本放入2M维矢量{{r}} \buildrel \Delta \over = \left[ \left(\!\! {\begin{array}{*{20}{c}}{{r_{{\rm{H}},{\rm{0}}}},{r_{{\rm{V}},{\rm{0}}}}}\end{array}} \!\!\right),\left( {\begin{array}{*{20}{c}}{{r_{{\rm{H}},{\rm{1}}}},{r_{{\rm{V}},{\rm{1}}}}}\end{array}} \right), ··· ,\left( {\begin{array}{*{20}{c}}{{r_{{\rm{H}},M - 1}},{r_{{\rm{V}},M - 1}}}\end{array}} \right) \right]^{\rm{T}}则全极化雷达回波信号为

    r=αTT(θ)s+c+v=αTT(θ)s+Cs+v (6)

    其中,αT是雷达方程等决定的(已知)复系数,c为(发射波形相关)杂波矢量,v2M维加性噪声矢量,有{{v}} \buildrel \Delta \over = \left[ \left( {\begin{array}{*{20}{c}} {{v_{{\rm{H}},{\rm{0}}}},{v_{{\rm{V}},{\rm{0}}}}} \end{array}} \right),\left( {\begin{array}{*{20}{c}} {{v_{{\rm{H}},{\rm{1}}}},{v_{{\rm{V}},{\rm{1}}}}} \end{array}} \right), ··· ,   \left(  {v_{{\rm{H}},M - 1}},{v_{{\rm{V}},M - 1}}  \right) \right]^{\rm{T}}

    对于噪声的统计特性,取复噪声矢量v是均值为0(即E[v]=0)、2阶协方差矩阵等于Mv=σ2vI的圆对称矢量,其中σ2v为单个极化通道的噪声功率。对于杂波的统计特性,首先,根据互易性定理有CHV,n=CVH,n, n{N+1,N+2,···,M1};其次,对于单个距离单元n,假定杂波的均值为0,即E[Cn]=0,于是有E[C]=0。此外,定义第n个距离单元“j”极化通道杂波和第n个距离单元“k”极化通道杂波的相关系数为

    rjk(n,n)E[Cj,nCk,n]E[|Cj,n|2] E[|Ck,n|2],j,k{HH,HV,VV} (7)

    不难看出,式(7)表征了杂波在极化域和距离域两个维度的相关性。

    将式(5)进一步展开得到{{C}}=\displaystyle\sum\nolimits_{n=-N+1}^{M-1}\left[{{C}}_{{\rm{HH}},n}{{J}}_n   \otimes{{A}}_1+ C_{{\rm{HV}},n}{{J}}_n\otimes{{A}}_2+C_{{\rm{VV}},n}{{J}}_n\otimes{{A}}_3\right],其中A1Δ=[1000], A2Δ=[0110], A3Δ=[0001]。又记{1,2,3}Δ={HH,HV,VV},则2M×2M维杂波协方差矩阵为

    Mc(s)=E[cc]=E[CssC]=M1n=N+1M1n=N+1[σnσnr11(n,n)(JnA1)ss(JTnA1)+ϵnσnϵnσnr22(n,n)(JnA2)ss(JTnA2)+σnσnχnr13(n,n)(JnA1)ss(JTnA3)+σnχnσnr13(n,n)(JnA3)ss(JTnA1)+σnχnσnχnr33(n,n)(JnA3)ss(JTnA3)] (8)

    其中,σnϵnχn为引入文献[8]中的参数,分别有σnE[|CHH,n|2], ϵnE[|CHV,n|2]E[|CHH,n|2], χnE[|CVV,n|2]E[|CHH,n|2]

    首先,2M维接收矢量r包括目标回波αTT(θ)s、系统噪声v和信号相关杂波Cs,则将r经过滤波器w[w(0),w(1),···,w(2M1)]T处理的输出为y=wr=αTwT(θ)s+wCs+wv,相应的SCNR为

    SCNRθ(s,w)|αT|2|wT(θ)s|2E[|wCs|2]+E[|wv|2] (9)

    约束条件方面,要求发射波形满足功率和相似性双重约束。功率约束方面,不失一般性,取s2=1,其中表示Frobenius范数。相似性约束方面,令ss0γ其中γ为相似性参数,它给定了相似度的可行域,s0为满足s02=1的给定已知波形。不难发现,γ2,且γ=2对应于无相似性约束的情形。

    综上,在发射波形的功率和相似性约束下,以最大化滤波器输出SCNR为准则的波形和滤波器联合优化问题归结为

    max (10)

    其中由于不影响优化问题的求解,式(10)的目标函数部分省去了式(9)中的常数项 |\alpha_{{\rm{T}}}|^2

    然而,由于式(10)的目标函数是非凸函数,约束条件是非凸集,因此 {\cal{P}} 是一个非凸优化问题。在继续求解 {\cal{P}} 之前,给出引理1如下(证明过程可通过套用文献[13]第2章定理2得到,限于篇幅,不再赘述)。

    引理1 优化问题 {\cal{P}} 可解且对于任意 \gamma , {\cal{P}} 等价于

    \left. \begin{aligned} & \displaystyle{\max_{{{s}},{{w}}}} \frac{\Re\left({{w}}^\dagger{{T}}(\theta){{s}}\right)}{\sqrt{{{w}}^\dagger{{M}}_{{{c}}}({{s}}){{w}}+\sigma_v^2{{w}}^\dagger{{w}}\|{{s}}\|^2}}\\ & {\rm{s.t.}}\ \ \|{{s}}\|^2\leq 1,~~\|{{s}}-{{s}}_0\|\leq \gamma \end{aligned} \right\}{\cal{P}}_1 (11)

    其中, \Re\left(\cdot\right) 指取实部操作。换句话说,给定问题 {\cal{P}} 的最优解,可以相应得到 {\cal{P}}_1 的解,反之亦然。

    可以看出,由于目标函数非凸,所以 {\cal{P}}_1 依然是一个非凸优化问题。但与 {\cal{P}} 不同的是,问题 {\cal{P}}_1 的目标函数是准凹(quasi-concave)的,且其约束条件为凸集。

    虽然对 \cal{P} 进行了变形,但直接求解问题 \cal{P}_1 仍无从下手。针对这一情形,本文提出一种迭代求解方法,即迭代优化式

    g({{s}},{{w}})\triangleq\frac{\Re\left({{w}}^\dagger{{T}}(\theta){{s}}\right)}{\sqrt{{{w}}^\dagger{{M}}_{{{c}}}({{s}}){{w}}+\sigma_v^2{{w}}^\dagger{{w}}\|{{s}}\|^2}} (12)

    具体来说,若已知第 m-1 步接收滤波器的最优解 {{w}}^{(m-1)},则搜索第 m步雷达发射波形 {{s}}^{(m)} 使得函数 g({{s}},{{w}}) 最大;一旦解得 {{s}}^{(m)} ,搜索第 m步滤波器 {{w}} 的解 {{w}}^{(m)} 使得函数 g({{s}},{{w}}) 最大,以此类推。整个迭代优化的起点为 {{s}}_0 ,即令 {{s}}^{(0)}={{s}}_0 。从解析的角度看, {{s}}^{(m)} {{w}}^{(m)} 分别是优化问题

    \left. \begin{aligned} & \displaystyle{\max_{{{s}}}} \frac{\Re\left({{w}}^{(m-1)\dagger}{{T}}(\theta){{s}}\right)}{\sqrt{{{w}}^{(m-1)\dagger}{{M}}_{{{c}}}({{s}}){{w}}^{(m-1)}+\sigma_v^2\|{{w}}^{(m-1)}\|^2}}\\ & {\rm{s.t.}}~~ \|{{s}}\|^2\leq 1,~~\|{{s}}-{{s}}_0\|\leq \gamma \end{aligned} \right\}{\cal{P}}_{{{s}}^{(m)}} (13)

    以及

    \left. \begin{aligned} & \displaystyle{\max_{{{w}}}} \frac{\Re\left({{w}}^\dagger{{T}}(\theta){{s}}^{(m)}\right)}{\sqrt{{{w}}^\dagger{{M}}_{{{c}}}({{s}}^{(m)}){{w}}\!+\!\sigma_v^2{{w}}^\dagger{{w}}\|{{s}}^{(m)}\|^2}}\\ & {\rm{s.t.}}~~ \Re\left({{w}}^\dagger{{T}}(\theta){{s}}^{(m)}\right)\geq 0 \end{aligned} \right\}{\cal{P}}_{{{w}}^{(m)}}\!\!\! \! (14)

    的解。已经证明[14],上述循环迭代流程的结果具有单调不减性质,也就是说,迭代过程每一步的输出SCNR均大于等于上一步的输出结果。另外,需要说明的是,上述迭代方法求解得到的最优解是全局最优的[15]。根据上述迭代求解方法,下面将分别求解优化问题 {\cal{P}}_{{{s}}^{(m)}} {\cal{P}}_{{{w}}^{(m)}} ,接着给出完整的问题 {\cal{P}}_1 求解方案。

    对于优化问题 {\cal{P}}_{{{w}}^{(m)}} ,已经证明,其解为如下形式的Capon滤波器[16],即

    {{w}}^{(m)}=\frac{\displaystyle{\left({{M}}_{{{c}}}\left({{s}}^{(m)} \right)+\sigma_v^2~\!\|{{s}}^{(m)}\!\|^2{{I}} \right)^{-1}}{{T}}\left(\theta\right){{s}}^{(m)}}{\left \|\!\displaystyle{\left({{M}}_{{{c}}}\left({{s}}^{(m)} \right)+\sigma_v^2~\!\|{{s}}^{(m)}\!\|^2{{I}}\right)^{-1/2}{{T}}\left(\theta\right){{s}}^{(m)}}\right\|^{2}} (15)

    可以看出,接收滤波器 {{w}}^{(m)} 与发射波形 {{s}}^{(m)} 和目标散射矩阵 {{T}}\left(\theta\right) 相关。

    为解问题 {\cal{P}}_{{{s}}^{(m)}},基于分式规划(Fractional Programming, FP)相关知识,首先给出定理1[17]

    定理1 令 {\cal{X}}\subseteq \mathbb{C}^N 为凸紧集,函数 f({{x}}) 为定义在 {{x}}\in{\cal{X}} 上的非负凹函数, g({{x}}) {{x}}\in{\cal{X}}上的凸函数且 g({{x}})\geq 0 ,则分式规划问题

    \left. \begin{array}{l} \displaystyle{\max_{{{x}}}} \;\;\; \displaystyle{\frac{\displaystyle{f({{x}})}}{g({{x}})}}\\ {\rm{s.t.}} \;\;\;\; {{x}} \in {\cal{X}} \end{array} \right\}{\cal{P}}_{\rm{FP}} (16)

    可解,且其解可通过算法1给出的Dinkelbach算法求得,见表1

    表 1  算法1:Dinkelbach算法求解 {\cal{P}}_{\rm{FP}}
     已知 {\cal{X}}\subseteq \mathbb{C}^N , f({{x}}) g({{x}})
     :优化问题 {\cal{P}}_{\rm{FP}} 的解 {{x}}^\star
       (1) 令 m=0,~\lambda_m=0
       (2) 重复
       (3)   计算 {{x}}_m^\star= \arg \displaystyle{\max_{{{x}}\in {\cal{X}}}}\left\{f({{x}})-\lambda_m g({{x}})\right\}
       (4)    F_{\lambda}=f({{x}}_m^\star)-\lambda_m g({{x}}_m^\star)
       (5)    m=m+1
       (6)   \lambda_m=\dfrac{f({{x} }_m^\star)}{g({{x} }_m^\star)}
       (7) 直到 F_\lambda=0
       (8) 输出 {{x}}^\star={{x}}^\star_m
    下载: 导出CSV 
    | 显示表格

    需要说明的是,算法1具有线性收敛率[17],且对于每一步迭代,它只要求求解一个计算量为多项式时间的凸问题。另外,实际计算时,退出条件 F_\lambda=0 采用 F_\lambda\leq\eta ,其中 \eta 为足够小的预设值。

    然后,可以证明,问题 {\cal{P}}_{{{s}}^{(m)}}属于上述 {\cal{P}}_{\rm{FP}} 问题。

    证明 首先,根据文献[10]式(20),有 {{w}}^\dagger{{M}}_{{{c}}}({{s}}){{w}}+\sigma_v^2{{w}}^\dagger{{w}}={{s}}^\dagger\left(\bar{{{M}}}_{{{c}}}({{w}})+\sigma_v^2{{w}}^\dagger{{w}}{{I}}\right){{s}}。其中 {\bar{{M}}}_{{{c}}}({{w}}) 为与 {{M}}_{{{c}}}({{s}}) 相似的对称结构。于是,式(13)可以等价变形为

    \left. \begin{array}{l} \displaystyle{\max_{{{s}}}} \frac{\Re\left({{w}}^{(m-1)\dagger}{{T}}(\theta){{s}}\right)}{\sqrt{{{s}}^\dagger\left(\bar{{{M}}}_{{{c}}}({{w}}^{(m-1)})+\sigma_v^2\|{{w}}^{(m-1)}\|^2{{I}}\right){{s}}}}\\ {\rm{s.t.}}~~ \|{{s}}\|^2\leq 1,~~\|{{s}}-{{s}}_0\|\leq \gamma \end{array}\!\! \right\}{\cal{P}}_{{{s}}^{(m)}} (17)

    不难看出,式(17)中目标函数的分子为变量 {{s}} 的仿射函数,因此是 {{s}} 的凹函数。又因分母部分中,矩阵 \left(\bar{{{M}}}_{{{c}}}({{w}}^{(m-1)})+\sigma_v^2\|{{w}}^{(m-1)}\|^2{{I}} \right)是Hermit矩阵,且对于任意 {{s}}\neq{\bf{0}} ,有 {{s}}^\dagger\left(\bar{{{M}}}_{{{c}}}({{w}}^{(m-1)})+\sigma_v^2\|{{w}}^{(m-1)}\|^2{{I}} \right) {{s}}>0,因此上述Hermit矩阵是正定的。于是,该Hermit矩阵可以等价表示为\left(\bar{{{M}}}_{{{c}}}({{w}}^{(m-1)}) + \sigma_v^2\|{{w}}^{(m-1)}\|^2{{I}} \right)\triangleq{{B}}^\dagger{{B}},则有{{{s}}}^\dagger\left(\bar{{{{M}}}}_{{{{c}}}}\left({{{w}}}^{(m-1)}\right) +\sigma_v^2{{{w}}}^{(m-1)\dagger}{{{w}}}^{(m-1)}{{{I}}}\right){{{s}}}=({{B}}{{{s}}})^\dagger{{B}}{{{s}}}。这样,上述目标函数的分母可看作 2N 维矢量 {{B}}{{s}} 的范数,进而它是凸的。

    {\cal{P}}_{{{s}}^{(m)}} 的可行域为凸紧集。这样一来,目标函数和可行域与定理1的 {\cal{P}}_{\rm{FP}} 一致,于是, {\cal{P}}_{{{s}}^{(m)}} 可以通过算法1求解。证毕

    最终, {\cal{P}}_{{{s}}^{(m)}} 可以通过算法1求解。

    在完成了对 {\cal{P}}_{{{w}}^{(m)}} {\cal{P}}_{{{s}}^{(m)}} 的求解之后,结合本节一开始对迭代方法的描述,这里给出发射波形和接收滤波器联合优化的完整迭代流程,如算法2所述,见表2

    表 2  算法2:发射波形-接收滤波器联合优化算法
     已知 \sigma_v^2 , \Big\{(r_{ij}(n,n'),\sigma_n,\epsilon_n,\chi_n), \{i,j\}\in\{1,2,3\},\{n,n'\}= -N+1,···,M-1\Big\} , {{T}}(\theta) , {{s}}_0 , \gamma \zeta
     :优化问题 \cal{P} 的解 \left({{s}}^\star,{{w}}^\star\right)
       (1) 令 m:=0,{{s}}^{(m)}={{s}}_0 ,代入式(15)得到 {{w}}^{(0)} ,对应 {\rm{SINR}}^{(0)}=\left(g\left({{s}}_0, {{w}}^{(0)}\right)\right)^2
       (2) 重复
       (3)     m:=m+1
       (4)    采用算法1 {\cal{P}}_{{{s}}^{(m)}} 得到第 m步的最优发射波形
             {{s}}^{(m)}
       (5)    将 {{s}}^{(m)} 代入式(15)得到第 m步的最优接收滤波
             器 {{w}}^{(m)}
       (6)    计算 {\rm{SINR}}^{(m)}=\left(g\left({{s}}^{(m)}, {{w}}^{(m)}\right)\right)^2
       (7)   直到 |{\rm{SCNR}}^{(m)}-{\rm{SCNR}}^{(m-1)}|<\zeta
       (8)   输出 {{s}}^\star={{s}}^{(m)} , {{w}}^\star={{w}}^{(m)}
    下载: 导出CSV 
    | 显示表格

    计算量方面,算法2的计算量与外层迭代次数 \bar{N} 和每一步迭代所需计算量有关。具体来说,外层计算量与迭代次数 \bar{N} 呈线性关系,而对于每一步迭代,它包括计算协方差项 \left({{M}}_{{{c}}}\left({{s}}^{(m)}\right)+\sigma_v^2\|{{s}}^{(m)}\|^2{{I}}\right)^{-1} 和求解算法1,前者复杂度在3.2节已分析,后者复杂度与内层迭代次数呈线性关系。对于每一步迭代,其复杂度对应于解2阶锥问题的复杂度,为 O\left((2M)^{3.5}\lg(1/\eta)\right) [18]

    采用佐治亚理工学院公开的T-72坦克全极化雷达实测数据作为目标特性数据,有关目标的详细信息可参见文献[13]第2章。在本文仿真中,取 |\alpha_{{\rm{T}}}|^2=1,随机取雷达俯仰角为31.64°,TIRM的支撑区间 Q=37,为方便接下来设定杂波和噪声功率水平,对目标散射矩阵进行归一化处理,即

    {{T}}_n\left(\theta\right)=\frac{\bar{{{T}}}_n\left(\theta\right)}{\sqrt{\displaystyle\sum\limits_{n=0}^{Q-1}\|\bar{{{T}}}_n\left(\theta\right)\|^2}} (18)

    其中, \bar{{{T}}}_n(\theta) {{T}}_n(\theta) 分别表示归一化前和归一化后的目标散射矩阵。发射波形长度 2N=60 ,初始发射波形 {{s}}_0的H和V极化分量均取式(19)的线性调频信号

    {{s}}_{\rm{H0}}(n)={{s}}_{\rm{V0}}(n)=\frac{1}{\sqrt{2N}}{\rm{e}}^{{\rm{j\pi}}\frac{n^2}{2N}},~n=0,1··· ,N-1 (19)

    算法1的精度控制参数取 \eta=10^{-6} ,算法2的退出条件门限取 \zeta=10^{-3} 。此外,凸优化问题的求解采用Matlab CVX工具包。

    杂波参数采用文献[8]报道的草地杂波参数,即 \epsilon_n=\epsilon=0.19 , \chi_n=\chi=1.03 \rho_n=\rho=0.52 。杂波和噪声功率 \sigma_n, \sigma_v^2 分别根据信噪比(Signal Noise Ratio, SNR)和杂噪比(Clutter Noise Ratio, CNR)确定,其定义分别为

    \begin{split} & {\rm{SNR}}\triangleq\frac{\displaystyle\sum\limits_{n=0}^{Q-1}\|{{{T}}}_n(\theta)\|^2}{2\times M\times\sigma_v^2},\\ & {\rm{CNR}}\triangleq\frac{\sigma_n^2\times\left(\displaystyle\sum\limits_{n=0}^{M-1}[\mathbb{E}[{{{C}}}_n{{{C}}}_n^\dagger]]|_{\sigma_n=1}\right)}{2\times M\times\sigma_v^2} \end{split} (20)

    其中, \Big [\mathbb{E}[{{C}}_n{{C}}_n^\dagger]\Big]|_{\sigma_n=1} 表示 \sigma_n=1时的统计平均值。在整个仿真过程中,取SNR=5 dB, CNR=10 dB。最后,有不同距离单元杂波间相互独立。下面从几个不同角度检验本文方法的性能。

    随机取目标相对雷达方位角 \theta_0=26.4^\circ 116.3^\circ图1描述了滤波器输出SCNR随算法2迭代次数的变化曲线,其中图1(a)图1(b)分别对应方位角 \theta_0=26.4^\circ 116.3^\circ,而每个图中又包括 \gamma 对应于0.01, 0.10, 0.50和1.00的4条曲线。根据图1(a)图1(b)可以看出,随着迭代次数的增加,本文方法单调增加SCNR。而 \gamma 越大,输出SCNR值越大,这是由于 \gamma 值的增加提高了目标函数的可行域,这证实了本文方法的有效性。

    图 1  信杂噪比随迭代次数的变化曲线

    取目标相对雷达方位角 \theta_0=116.3^\circ,如图2给出了经优化后水平极化通道发射波形的模糊度函数幅度图,其中图2(a)图2(b)图2(c)图2(d)分别对应于相似性参数 \gamma 为0(即未作优化处理, {{s}}={{s}}_0 ), 0.1, 0.5和1.0时的结果。与5.1节结果相反,随着 \gamma 的增加,其波形的模糊度函数的主峰越来越弱,纯度越来越低,而杂散分量越来越多(垂直极化通道的结果也呼应上述情形)。这是由于随着 \gamma 的增加,虽然输出SCNR的值提高,但是因为发射波形的约束降低,所以偏离原模板波形程度更高,造成原模板波形所固有的一些特性丢失。因此,在实际工程中,需要综合权衡SCNR提高和波形特性损失之间的折中。

    图 2  经优化后的全极化雷达水平极化通道发射波形模糊度函数幅度图

    对本文方法和现有其他方法进行性能比较。定义

    {\rm{SCNR}}(\theta)\triangleq\frac{|\alpha_{\rm{T}}|^2|{{w}}_\triangle^\dagger{{T}}(\theta){{s}}_\triangle|^2}{\mathbb{E}[|{{w}}_\triangle^\dagger{{C}}{{s}}_\triangle|^2]+\mathbb{E}[|{{w}}_\triangle^\dagger{{v}}|^2]} (21)

    为名义方位角等于 \theta_\triangle 时(此时雷达发射波形取对应 \theta_\triangle 的最优发射波形 {{s}}_\triangle ,接收滤波器为对应最优接收滤波器 {{w}}_\triangle ),实际方位角 \theta 处的接收SCNR值。令 \theta_\triangle=26.4^\circ, \theta\in [25.9^\circ,26.9^\circ] ,选用Pillai方法、Chen方法,对比它们与本文方法之间的性能。如图3所示给出不同方法的滤波器输出SCNR随方位角 \theta 的变化曲线,其中本文方法分别给出相似性约束参数 \gamma=0.01,0.10 和0.50的结果(Pillai方法和Chen方法仅有波形能量约束,等价于取 \gamma=2.0 )。

    图 3  本文方法和Pillai方法、Chen方法的性能对比结果

    可以看出,由于不能保证算法的收敛性,Pillai方法的性能明显不及Chen方法,而由于施加了相似性约束,本文方法的输出SCNR均小于Chen方法,结合5.2节的结果,不难得出,施加相似性约束实现了输出SCNR与优化波形特性之间的折中,这也印证了本文最初的设定。另外,随着相似性参数 \gamma 值的提高,输出SCNR的水平也相应升高,这是因为, \gamma 越大,相似性约束越宽松。值得一提的是,当 \gamma=0.5 时,SCNR水平已逼近没有相似性约束的情形。最后,当实际方位角 \theta 偏离名义方位角 \theta_\triangle 时,可以看到显著的SCNR性能下降,这表明,高分辨条件下全极化雷达目标特性敏感于实现角的改变。

    以最大化全极化雷达的输出SCNR为优化准则,本文研究了发射波形的能量约束和相似性约束双重约束下,全极化雷达的发射波形和接收滤波器联合优化问题。提出了一种发射波形-接收滤波器的迭代优化方法。通过解算,最优接收滤波器具有Capon滤波器结构,最优发射波形的设计通过采用Dinkelbach算法解一个典型的分式规划问题求解。在实验环节,通过采用实测目标数据验证了本文算法的有效性,证实了波形优化可提高雷达的输出SCNR,但同时也展示了其对雷达波形在模糊度函数方面的不利影响,强调了在实际工程中,要折中考虑上述因素。最后对比了本文方法和其他两种方法的性能,印证了本文方法的初始的设计考虑。

  • 图  1  欧式正切平面空间和双曲空间之间映射关系示意图

    图  2  HyGAT-LP模型框架图

    图  3  WN18RR数据集上各类关系MRR指标对比图

    图  4  实例三元组尾实体预测排名对比图

    表  1  FB15k-237数据集和WN18RR数据集统计量信息

    数据集 \left| {\mathbf{V}} \right| \left| {\mathbf{R}} \right| 三元组数 \rho
    训练集 {{\mathbf{E}}_{{\text{Train}}}} 验证集 {{\mathbf{E}}_{{\text{Valid}}}} 测试集 {{\mathbf{E}}_{{\text{Test}}}} 总三元组数 {\mathbf{E}}
    FB15k-2371454123727211517535204663101161308.5
    WN18RR40943118683530343134930038454.8
    下载: 导出CSV

    表  2  FB15k-237数据集和WN18RR数据集上知识图谱链路预测结果

    流形模型FB15k-237WN18RR
    MRRHits@1Hits@3Hits@10MRRHits@1Hits@3Hits@10
    \mathbb{R} TransE0.2940.1860.3210.465 0.2260.4270.4410.532
    DistMult0.2410.1550.2630.4190.4440.4120.4700.504
    ConvE0.3250.2370.3560.5010.4560.4190.4700.531
    ConvKB0.2890.1980.3240.4710.2650.0580.4450.558
    MuRE0.3360.2450.3700.5210.4750.4360.4870.554
    TuckER0.3580.2660.3940.5440.4710.4430.4820.526
    RGHAT0.5220.4620.5460.6310.4830.4250.4990.588
    \mathbb{C} ComplEx0.2470.1580.2750.4280.4490.4090.4690.530
    RotatE0.3380.2410.3750.5330.4760.4280.4920.571
    \mathbb{B} MuRP0.3350.2430.3670.5180.4810.4400.4950.566
    ATTH0.3840.2520.3840.5400.4860.4430.4980.573
    HyGAT-LP0.5290.4670.5660.6500.5210.4410.5110.619
    下载: 导出CSV

    表  3  在WN18RR数据集中每类关系的统计量信息

    关系名简记总三元组数Khs {\xi _{\text{G}}}
    hypernymHY372211.00–2.46
    has_partHP51421.00–1.43
    member_meronymMM79281.00–2.90
    synset_domain_topic_ofSDTO33350.99–0.69
    instance_hypernymIH31501.00–0.82
    member_of_domain_regionMODR9831.00–0.78
    member_of_domain_usageMODU6751.00–0.74
    also_seeAS13960.36–2.09
    derivationally_related_formDRF318670.04–3.84
    similar_toST860–1.00
    verb_groupVG12200–0.50
    下载: 导出CSV

    表  4  预测排名前10尾实体情况

    (european_union,member_meronym,?)(geology,derivationally_related_form,?)
    排序MuREMuRPHyGAT-LPMuREMuRPHyGAT-LP
    1englandnowaybulgariageologistgeologistgeologist
    2polandbulgariadenmarkgivescientistpaleontologist
    3scotlanddenmarkeuropepsychologistanatomistdoctor
    4switzerlandswitzerlandnowayexplorermeteorologistscientist
    5denmarkpolandicelandreligionistfilmbiologist
    6nowayicelandbelarustheologianbiologistgeophysicist
    7bulgariascotlandswitzerlandophthalmologistgeomorphologicgeomorphologic
    8united_statescroatiahungaryphilosopherpaleontologistphilosopher
    9europebelarusirelanddiagnosticianchronologizephysicist
    10turkeyunited_statesczechoslovakiaspecialistgeophysicistmusician
    下载: 导出CSV
  • [1] 王昊奋, 漆桂林, 陈华钧. 知识图谱: 方法、实践与应用[M]. 北京: 电子工业出版社, 2019: 1–3.

    WANG Haofen, QI Guilin, and CHEN Huajun. Knowledge Graph[M]. Beijing: Publishing House of Electronics History, 2019: 1–3.
    [2] REINANDA R, MEIJ E, and DE RIJKE M. Knowledge graphs: An information retrieval perspective[J]. Foundations and Trends® in Information Retrieval, 2020, 14(4): 289–444. doi: 10.1561/1500000063
    [3] 张崇宇. 基于知识图谱的自动问答系统的应用研究与实现[D]. [硕士论文], 北京邮电大学, 2019.

    ZHANG Chongyu. Application research and implementation of automatic question answering system based on knowledge graph[D]. [Master dissertation], Beijing University of Posts and Telecommunications, 2019.
    [4] 秦川, 祝恒书, 庄福振, 等. 基于知识图谱的推荐系统研究综述[J]. 中国科学:信息科学, 2020, 50(7): 937–956. doi: 10.1360/SSI-2019-0274

    QIN Chuan, ZHU Hengshu, ZHUANG Fuzhen, et al. A survey on knowledge graph-based recommender systems[J]. Scientia Sinica Informationis, 2020, 50(7): 937–956. doi: 10.1360/SSI-2019-0274
    [5] BRONSTEIN M M, BRUNA J, LECUN Y, et al. Geometric deep learning: Going beyond Euclidean data[J]. IEEE Signal Processing Magazine, 2017, 34(4): 18–42. doi: 10.1109/MSP.2017.2693418
    [6] WANG Quan, MAO Zhendong, WANG Bin, et al. Knowledge graph embedding: A survey of approaches and applications[J]. IEEE Transactions on Knowledge and Data Engineering, 2017, 29(12): 2724–2743. doi: 10.1109/TKDE.2017.2754499
    [7] BORDES A, USUNIER N, GARCIA-DURÁN A, et al. Translating Embeddings for modeling multi-relational data[C]. Proceedings of the 26th International Conference on Neural Information Processing Systems (NIPS), Lake Tahoe, USA, 2013: 2787–2795.
    [8] SUN Zhiqing, DENG Zhihong, NIE Jianyun, et al. RotatE: Knowledge graph embedding by relational rotation in complex space[EB/OL]. https://arxiv.org/abs/1902.10197, 2019.
    [9] NICKEL M, TRESP V, and KRIEGEL H. A three-way model for collective learning on multi-relational data[C]. Proceedings of the 28th International Conference on Machine Learning (ICML), Bellevue, USA, 2011: 809–816.
    [10] YANG Bishan, YIH W T, HE Xiaodong, et al. Embedding entities and relations for learning and inference in knowledge bases[EB/OL]. https://arxiv.org/abs/1412.6575, 2015.
    [11] TROUILLON T, WELBL J, RIEDEL S, et al. Complex embeddings for simple link prediction[C]. Proceedings of the 33rd International Conference on International Conference on Machine Learning (ICML), New York, USA, 2016: 2071–2080.
    [12] BALAZEVIC I, ALLEN C, and HOSPEDALES T. TuckER: Tensor factorization for knowledge graph completion[C]. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), Hong Kong, China, 2019: 5184–5194.
    [13] DETTMERS T, MINERVINI P, STENETORP P, et al. Convolutional 2D knowledge graph embeddings[EB/OL]. https://arxiv.org/abs/1707.01476, 2018.
    [14] NGUYEN D Q, NGUYEN D Q, NGUYEN T D, et al. A convolutional neural network-based model for knowledge base completion and its application to search personalization[J]. Semantic Web, 2019, 10(5): 947–960. doi: 10.3233/SW-180318
    [15] SCHLICHTKRULL M, KIPF T N, BLOEM P, et al. Modeling relational data with graph convolutional networks[C]. 15th International Conference on The Semantic Web, Heraklion, Greece, 2018: 593–607.
    [16] ZHANG Zhao, ZHUANG Fuzhen, ZHU Hengshu, et al. Relational graph neural network with hierarchical attention for knowledge graph completion[C]. The AAAI Conference on Artificial Intelligence (AAAI), Palo Alto, USA, 2020: 9612–9619.
    [17] WU Zonghan, PAN Shirui, CHEN Fengwen, et al. A comprehensive survey on graph neural networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021, 32(1): 4–24. doi: 10.1109/TNNLS.2020.2978386
    [18] 王强, 江昊, 羿舒文, 等. 复杂网络的双曲空间表征学习方法[J]. 软件学报, 2021, 32(1): 93–117. doi: 10.13328/j.cnki.jos.006092

    WANG Qiang, JIANG Hao, YI Shuwen, et al. Hyperbolic representation learning for complex networks[J]. Journal of Software, 2021, 32(1): 93–117. doi: 10.13328/j.cnki.jos.006092
    [19] ZHANG Chengkun and GAO Junbin. Hype-HAN: Hyperbolic hierarchical attention network for semantic embedding[C]. Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence (IJCAI), Yokohama, Japan, 2020: 3990–3996.
    [20] BALAŽEVIC I, ALLEN C, and HOSPEDALES T. Multi-relational poincaré graph embeddings[EB/OL]. https://arxiv.org/abs/1905.09791, 2019.
    [21] CHAMI I, WOLF A, JUAN Dacheng, et al. Low-dimensional hyperbolic knowledge graph embeddings[C]. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), Seattle, USA, 2020: 6901–6914.
    [22] BONNABEL S. Stochastic gradient descent on Riemannian manifolds[J]. IEEE Transactions on Automatic Control, 2013, 58(9): 2217–2229. doi: 10.1109/TAC.2013.2254619
    [23] SAKAI H and IIDUKA H. Riemannian adaptive optimization algorithm and its application to natural language processing[J]. IEEE Transactions on Cybernetics, 2021, 51(1): 1–12. doi: 10.1109/TCYB.2021.3049845.
    [24] ADCOCK A B, SULLIVAN B D, and MAHONEY M W. Tree-like structure in large social and information networks[C]. IEEE 13th International Conference on Data Mining, Dallas, USA, 2013: 1–10.
    [25] KRACKHARDT D. Computational Organization Theory[M]. London: Psychology Press, 1994: 89–111.
  • 期刊类型引用(1)

    1. 朱彩霞,李红英,马廷德,王凯. 基于最优阈值选择的L波段测风雷达杂波抑制方法. 电子设计工程. 2024(23): 17-20+26 . 百度学术

    其他类型引用(0)

  • 加载中
图(4) / 表(4)
计量
  • 文章访问数:  1131
  • HTML全文浏览量:  1059
  • PDF下载量:  207
  • 被引次数: 1
出版历程
  • 收稿日期:  2021-04-16
  • 修回日期:  2022-02-28
  • 录用日期:  2022-01-22
  • 网络出版日期:  2022-02-14
  • 刊出日期:  2022-06-21

目录

/

返回文章
返回