Китайская команда из Хуачжунского университета науки и технологий предложила фреймворк SID-HGNN для повышения точности диагностики неисправностей беспилотных летательных аппаратов

Репортаж от Wedoany，Исследовательская группа из Хуачжунского университета науки и технологий совместно с Армейским инженерным университетом предложила фреймворк динамической гиперграфовой нейронной сети на основе структурного влияния (SID-HGNN), который значительно повысил производительность классификации в задачах диагностики неисправностей беспилотных летательных аппаратов с неподвижным крылом. Для преодоления узкого места, связанного с подверженностью традиционных гиперграфов «проблеме гетерогенности» при полуконтролируемой классификации узлов, команда, исходя из теоретических основ, выявила возрастающую закономерность влияния гетерогенности на многослойные перцептроны, графы низкого порядка и гиперграфы, а также разработала модуль слияния структурных и позиционных признаков (SLF) и модуль динамической структуры на основе влияния меток (LDS). Соответствующая статья под названием «Structural influence-based dynamic hypergraph for semi-supervised classification» была опубликована в английской версии журнала «Science China: Information Sciences».

Исследовательская группа сначала с помощью теоремы о домене влияния и теоремы о градиенте влияния количественно оценила закономерности взаимного влияния между узлами в гиперграфе, указав, что статическая структура традиционных гиперграфов является ключевым фактором, затрудняющим борьбу с гетерогенностью. На этой основе модуль SLF добавляет кумулятивное влияние меток на узлы в гиперграфе в качестве структурного признака к описанию, усиливая способность представления признаков; модуль LDS позволяет узлам динамически регулировать силу связей в зависимости от локального распределения меток, уменьшая межклассовые помехи. Два модуля интегрированы в единый фреймворк SID-HGNN, который в процессе итеративного обновления обеспечивает точную классификацию признаков.

Эксперименты проводились на двух реальных наборах данных о неисправностях беспилотных летательных аппаратов с неподвижным крылом: общедоступный набор данных ALFA, собранный Институтом робототехники Университета Карнеги-Меллона (США), содержит 1325 образцов, 6 признаковых измерений и охватывает 7 типов неисправностей БПЛА; самостоятельно собранный набор данных S-FWUAV, оснащенный различными датчиками, содержит 2948 образцов, 9 признаковых измерений и охватывает 6 типов неисправностей. Результаты показали, что F1-мера SID-HGNN на наборе данных ALFA достигла 88,83%, что как минимум на 4,4 процентных пункта выше, чем у других гиперграфовых методов; на наборе данных S-FWUAV F1-мера составила 89,09%, что как минимум на 7,79 процентных пункта выше, чем у других гиперграфовых методов. Абляционные эксперименты показали, что использование модулей SLF и LDS по отдельности улучшает производительность, а их комбинация дает наилучший эффект. Анализ чувствительности параметров показал, что фреймворк стабильно работает в диапазоне числа ближайших соседей k от 3 до 30 и порядка итераций l от 2 до 10, демонстрируя высокую робастность и адаптивность. Визуальный анализ показал, что динамическая структура позволяет эффективно уменьшить избыточные связи между узлами разных классов, усиливая связи между узлами одного класса, что по существу смягчает проблему гетерогенности.

Данное исследование было выполнено Лян Шаоцзюнем, Ван Чживэем, Су Хоушэном из Хуачжунского университета науки и технологий, Чжэн Ином из Хуачжунского университета науки и технологий и Шэньчжэньского исследовательского института Хуачжунского университета науки и технологий, а также Ян И из Армейского инженерного университета. Исследовательская группа отметила, что SID-HGNN не только демонстрирует отличные результаты в диагностике неисправностей беспилотных летательных аппаратов с неподвижным крылом, но и его теория и методы могут быть распространены на другие задачи обучения на графах, предлагая новые подходы к решению проблемы гетерогенности, а также придавая новый импульс применению искусственного интеллекта в таких областях, как промышленная диагностика неисправностей и классификация сложных данных.