(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110064777.4 (22)申请日 2021.01.18 (65)同一申请的已公布的文献号 申请公布号 CN 112989526 A (43)申请公布日 2021.06.18 (73)专利权人 中国人民解 放军空军工程大 学 地址 710051 陕西省西安市灞桥区长乐 东 路甲子一 号 (72)发明人 甘旭升　杨任农　孙静娟　李双峰　 屈虹　孟祥伟　杨丽薇　 (74)专利代理 机构 北京科家知识产权代理事务 所(普通合伙) 11427 专利代理师 钟斌 (51)Int.Cl. G06F 30/18(2020.01)G06F 30/27(2020.01) G06Q 10/06(2012.01) G06K 9/62(2022.01) G06F 111/02(2020.01) (56)对比文件 CN 109299776 A,2019.02.01 CN 109886350 A,2019.0 6.14 张文涛等.基 于粒子群算法优化核极限学习 机的磨煤 机故障诊断. 《电力科 学与工程》 .2018, (第09期), 审查员 张一良 (54)发明名称 一种基于核极限学习机的航空网络关键节 点识别方法 (57)摘要 本发明公开了一种基于核极限学习机的航 空网络关键节点识别方法， 构造训练样本： 从航 空网络中随机生成部分节点， 计算节点度值、 点 强和K‑shell值共三个简单节点指标值； 同时， 确 定节点的接近中心性、 介数中心性、 网络连接密 度和网络效率共四个复杂指标； 确定综合重要 度： 通过层次分析法计算得出四个复杂指标的权 重， 然后通过四个复杂指标的权重计算以上随机 生成部分节 点的综合重要度值； 训练核极限学习 机KELM评估模型： 以节点度值、 点强和K ‑shell值 为输入， 以由复杂指标计算出的综合重要度值为 输出， 训练核极限学习机 KELM学习简单节点指标 与综合重要度值的映射关系， 从而获得核极限学 习机KELM评估模型。 本发明提高了节点排序的准 确性， 降低计算复杂度。 权利要求书2页 说明书10页 附图6页 CN 112989526 B 2022.09.30 CN 112989526 B 1.一种基于核极限学习机的航空网络关键节点识别方法， 其特 征在于， 包括以下步骤： S1、 构造训练样本： 从航空网络中随机生成部分节点， 计算节点度 值、 点强和K ‑shell值 共三个简单节点指标值； 同时， 确定节点的接近中心性、 介数中心性、 网络连接密度和网络 效率共四个复杂指标； S2、 确定综合重要度： 通过层次分析法计算得出四个复杂指标的权重， 然后通过四个复 杂指标的权 重计算以上随机生成部分节点的综合重要度值； S3、 训练核极限学习机KELM评估模型： 以节点度值、 点强和K ‑shell值为输入， 以由复杂 指标计算出的综合重要度值为输出， 训练核极限学习机KELM学习简单节点指标与综合重要 度值的映射关系， 从而获得核极限学习机KELM 评估模型； S4、 对于航空网络中的新节点， 计算出新节点的简单指标后输入核极限学习机KELM评 估模型， 输出新节点的综合重要度值， 进而简单节点指标与综合重要度值的映射关系完成 关键节点的辨识。 2.根据权利要求1所述的基于核极限学习机的航空网络关键节点识别方法， 其特征在 于， 所述步骤S1中， 节点度值的计算公式为： Di＝∑aij， 式中： aij为两节点间的连边状况， 若节点vi和vj不 存在直接连边， 则aij＝0； 否则， aij＝1； 点强的计算公式为： 式中， Si表示点强， wij表示与节点vi直接连边的权值， Ni表示节点vi的相邻节点 集合； K‑shell值的计算步骤为： 搜索航空网络中度 为1的节点， 删除此类节点及其连边； 删掉 这些节点后， 网络结构出现变化， 将此时度是1的节点及其连边删除， 依此过程， 继续删除节 点， 直至网络中不包含度为1的节点， 将删掉的节点组成的壳作为 1‑壳， 继续去除节 点度为2 的节点， 作 为2‑壳， 以此类推， 直至删完所有节点； 从而获得节点vi的K‑shell值为Ksi， 其值 越大， 节点越重要； 将节点度值Di、 点强Si和K‑shell值Ksi进行归一化处理， n个节点可以组成一个 的简单 指标值矩阵 上式中， X表示 n个节点的度值、 点强和K ‑shell值矩阵。 3.根据权利要求1所述的基于核极限学习机的航空网络关键节点识别方法， 其特征在 于： 所述步骤S1中， 所述节点的接 近中心性C C表示为： 式中， CC(i)越大， vi越接近网络中心， 位置越重要， 重要性也越大； d表示节点vi到网络权　利　要　求　书 1/2 页 2 CN 112989526 B 2中剩余节点的最短距离平均值， 节点的介数中心性BC表示 为： 式中， σij(k)是vi与vj间经由vk的最短路径数目， σij为vi与vj间最短路径的数目； 节点的网络连接密度LD表示 为： 式中， n为当前网络节点总数， 若vi与vj直接相连， aij＝1； 否则， aij＝0， wij为节点连边的 权值； LD越大， 整体的异质性越高， 网络流 量越大， 网络综合 性能越好； 节点的网络效率 NE表示为： 式中， N为网络中节点总数， NE反映了 网络信息传输的难易程度， NE越大， 信息传递越顺 畅， 抗毁性越强。 4.根据权利要求1所述的基于核极限学习机的航空网络关键节点识别方法， 其特征在 于： 所述核极限学习机KELM的算法步骤具体为： 1)随机初始化输入层与隐层的权值向量ai和隐层节点偏置值bi； 2)构建隐层输出矩阵H＝[g(x1)T,…,g(xN)T]； 3)通过式 估算隐层与输出层的连接 权值向量 其中， x1＝[x1,x2,…,xN]为N个样本， g(x)表示ELM网络隐层节点的输出函数， 根据核函 数理论， 通过非线性函数将输入空间的样本点映射入特征空间， 并由核函数代替特征空间 的内积运算， 假设隐层特征映射函数g(x)形式未知， 则用核函数代替其内积形式； ELM通过 核矩阵形式来描述： ΩELM＝HHT:ΩELM i,j； ＝g(xi)·g(xj)＝K(xi,xj)； 此时， 基于核函数的核极限学习机KELM 输出函数为： 式中： HHT为隐层输出矩阵H的对角矩阵， 1/ c为引入的一个参数。权　利　要　求　书 2/2 页 3 CN 112989526 B 3