一种基于图神经网络的主动电场定位方法、训练方法及系统

本发明涉及电学测量与目标定位，尤其涉及一种基于图神经网络对主动电场电极阵列信号进行图结构建模并实现目标三维定位的方法、训练方法及系统。

背景技术：

1、主动电场定位技术通过在介质中建立激励电场，利用阵列电极测量目标扰动引起的场域变化，进而反演目标位置。传统的定位算法通常依赖精确的物理模型，对复杂场域的泛化能力有限，且计算耗时，难以满足实时性要求。

2、在相关研究或工程实现中，可采用将多个电极测得的差分电压值按预定顺序拼接为一维特征向量，并输入全连接神经网络进行位置回归的方式。该类方案虽然能够实现端到端定位，但由于输入特征被表示为一维向量，电极之间固有的空间邻接关系和层间拓扑关系未被显式表征，因而在电场传播与目标扰动高度依赖空间分布关系的场景下，存在定位精度受限、对阵列结构变化适应性不足以及模型鲁棒性较差的问题。

3、因此，如何在数据表示和模型结构中有效融入电极的空间拓扑信息，成为提升主动电场定位性能的关键问题。

技术实现思路

1、本发明要解决的技术问题是：针对现有主动电场定位方案将电极测量数据表示为一维向量而无法显式利用电极空间拓扑关系的问题，提出一种能够保留电极空间邻接关系并基于图神经网络实现目标三维定位的方法、训练方法及系统。

2、为解决上述技术问题，本发明提供一种基于图神经网络的主动电场定位方法。所述方法包括：获取布置于监测区域的电极阵列在激励源建立交变电场后采集得到的多路电压信号；对所述多路电压信号进行预处理，获得与各电极对应的电压特征，所述电压特征包括基于空间相邻电极电压幅值的局部差分电压特征；根据各电极的空间位置，将每一电极映射为图结构数据中的一个节点，并根据电极之间的空间邻接关系构建节点之间的边；根据所述电压特征以及对应电极的空间位置信息构建节点特征，得到图结构数据 g=(v,e,h)，其中，v 表示节点集合，e 表示边集合，h 表示节点特征矩阵；将所述图结构数据输入预先训练好的图神经网络模型，通过所述图神经网络模型对节点特征进行邻域信息聚合并形成图级表征；根据所述图级表征回归输出目标的三维坐标。

3、进一步地，所述预处理包括滤波处理、频域分析处理和差分处理中的至少一种。所述频域分析处理用于从采集信号中提取激励频点处的电压幅值，以抑制噪声和非激励频段的干扰；所述差分处理用于计算每个电极与其空间相邻电极之间的电压幅值差，所得到的局部差分电压特征能够表征目标扰动引起的局部电场梯度变化。

4、进一步地，所述节点特征包括第一类特征和第二类特征。所述第一类特征包括对应电极的电压特征及其空间坐标，用于描述单个电极节点上的局部电场响应及其空间位置；所述第二类特征为从全局或局部电压信号中提取的上下文特征，包括全局信号强度、层间信号比、信号峰值位置标识、到激励源的距离中的至少一种，用于辅助表征目标在监测区域内的整体影响和所在层位。其中，所述层间信号比根据上下两层对应电极的电压幅值之比确定，用于表征目标在垂直方向上的相对位置。

5、进一步地，所述空间邻接关系包括同层电极之间的邻接关系、上下层电极之间的对应关系、基于距离阈值确定的邻接关系、基于k最近邻确定的邻接关系中的至少一种。在一种具体实施方式中，同一层中的电极按照物理排列顺序建立链式连接，上下两层中空间投影位置对应的电极之间建立层间连接，以同时表征同层邻接关系和层间对应关系。对于位于阵列边界的电极，可采用循环邻接、镜像补充或补零的方式获得对应的差分电压特征。

6、进一步地，所述图神经网络模型包括节点编码层、一层或多层图消息传递层、全局池化层和回归输出层。所述节点编码层用于对输入节点特征进行特征变换，将其映射到适合图消息传递的隐藏特征空间；所述图消息传递层用于根据边集合对邻居节点特征进行聚合并更新节点表征，从而将电场扰动的空间相关性显式融入节点表征中；所述全局池化层采用注意力池化、全局平均池化或全局最大池化，用于将全部节点表征聚合为图级表征；所述回归输出层为多层感知机，用于根据所述图级表征输出目标三维坐标。

7、进一步地，所述图消息传递层中，对于第 l 层，其节点更新公式可抽象表示为：

8、(1)

9、其中， 表示电极节点i 在第 l 层图消息传递后更新的、融合了空间邻域信息的电场扰动特征向量；表示节点的邻居集合；表示电极节点i自身在前一层输出的局部电场扰动特征向量。表示所述邻居电极节点 j在前一层输出的局部电场扰动特征向量；表示可微的聚合函数用于对来自所述邻居电极节点集合中所有电极探测到的、反映空间电场梯度信息的特征向量进行融合，和表示可学习的变换函数；通过上述消息传递机制，各电极节点的表征逐步融合其空间邻域内其他电极探测到的电场扰动信息，最终形成的图级表征能够综合反映整个电极阵列感知到的目标扰动空间分布。

10、本发明还提供一种用于主动电场定位的图神经网络训练方法。所述训练方法包括：在激励源建立交变电场后，采集目标位于多个已知空间位置时电极阵列输出的多路电压信号；对所述多路电压信号进行预处理，获得与各电极对应的电压特征，并将所述电压特征与目标已知三维位置标签关联保存；根据各电极的空间位置和空间邻接关系，将每组采集数据构建为带有位置标签的图结构样本；将多个所述图结构样本构成训练数据集；利用所述训练数据集训练图神经网络模型，使所述图神经网络模型学习从图结构数据到目标三维位置之间的映射关系；得到用于执行上述主动电场定位方法的图神经网络模型参数。

11、本发明还提供一种基于图神经网络的主动电场定位系统，包括电极阵列、激励源、信号处理模块、图数据构建模块和定位输出模块。所述电极阵列用于采集目标扰动交变电场后形成的多路电压信号；所述激励源用于在监测区域内建立交变电场；所述信号处理模块用于对所述多路电压信号进行预处理，获得与各电极对应的电压特征；所述图数据构建模块用于根据各电极的空间位置将各电极映射为图节点，根据电极之间的空间邻接关系构建图边，并根据所述电压特征和电极空间位置信息生成节点特征，以得到图结构数据；所述定位输出模块用于将所述图结构数据输入预先训练好的图神经网络模型，并输出目标的三维坐标。

12、与现有技术相比，本发明的有益效果在于：

13、1. 由于将电极映射为图节点并依据空间邻接关系构建边，因此能够显式保留电极阵列的物理拓扑结构。

14、2.由于图神经网络在边连接约束下对邻域节点信息进行聚合，能够显式提取空间电场扰动的相关性特征，相比未引入拓扑先验的全连接神经网络，进一步提高了目标三维定位精度。

15、3. 由于采用图级表征进行三维坐标回归，因此在保持端到端推理能力的同时，提高了对不同目标位置和复杂场域条件的适应能力。

16、4. 由于在线定位阶段可以直接调用预先训练好的模型而无需显式求解复杂逆问题，因此具有更好的实时性，适合工程部署。

1.一种基于图神经网络的主动电场定位方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述节点特征包括第一类特征和第二类特征；所述第一类特征包括对应电极的局部差分电压特征及其空间坐标；所述第二类特征为从全局或局部电压信号中提取的上下文特征，包括全局信号强度、层间信号比、信号峰值位置标识、到激励源的距离中的至少一种；其中，所述层间信号比根据上下两层对应电极的电压幅值之比确定；对于任一电极节点，其局部差分电压特征包含该电极与沿链式邻接方向的前一电极和后一电极的电压幅值之差；对位于阵列边界的电极，采用循环邻接、镜像补充或补零的方式获得对应的局部差分电压特征。

3.根据权利要求1所述的方法，其特征在于，所述电极阵列包括至少两层电极，所述空间邻接关系还包括不同层电极之间的对应连接，即上层电极与下层中空间投影位置对应的电极之间建立连接；构建图边还包括：当两个电极的空间距离小于设定阈值，或者其中一个电极为另一个电极的k个最近邻之一时，在两个电极之间建立补充边。

4.根据权利要求1所述的方法，其特征在于，所述电极阵列包括32个电极，分为上下两层布置，每层包括16个电极；每个电极对应一个图节点，所述图结构数据包括32个节点；同一层中的相邻电极按照物理排列顺序建立链式连接，上层电极与下层中空间投影位置对应的电极之间建立层间连接，所述链式连接和所述层间连接共同构成所述图结构数据中的边集合。

5.根据权利要求1所述的方法，其特征在于，所述图神经网络模型包括节点编码层、一层或多层图消息传递层、全局池化层和回归输出层；所述节点编码层用于对输入节点特征进行特征变换；所述图消息传递层用于根据边集合对邻居节点特征进行聚合并更新节点表征；所述全局池化层采用注意力池化、全局平均池化、全局最大池化或其组合，用于将多个节点表征聚合为图级表征；所述回归输出层为多层感知机，用于根据所述图级表征输出目标三维坐标；所述图消息传递层中，对于第 l 层，其节点更新公式可抽象表示为：

6.一种用于主动电场定位的图神经网络训练方法，其特征在于，包括：

7.一种基于图神经网络的主动电场定位系统，其特征在于，包括电极阵列、激励源、信号处理模块、图数据构建模块和定位输出模块；

8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时实现权利要求1至6任一项所述的方法。

9.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至6任一项所述的方法。