一种基于深度图卷积神经网络的可控性辨识方法

摘要

针对网络化系统在传统可控性辨别方法中存在的矩阵运算量大、计算复杂度高且不适用于大规模系统的问题，本文提出一种基于深度图卷积神经网络(DGCNN)的可控性辨识方法。在该框架下，首先，通过图卷积层实现节点和局部结构特征的聚合；然后，将聚合特征送入分类池化层进行排序并统一输出张量；最后，再添加一维卷积神经网络和全连接层进行可控性分类。结果表明：提出方法在AUPR性能方面达到0.925以上，且在相同实验条件下计算时间比传统方法减少93.3%。以上结果证明了该方法具有显著的分类效果和突出的计算优势，使其在复杂网络可控性辨识方面具有实际的应用潜力。

关键词

复杂网络 / 可控性 / 图神经网络 / 图分类