基于可解释图神经网络的海空目标行为认知技术研究

随着海洋和空中交通的不断增加，对海空目标行为的认知越来越重要。传统的海空目标行为分析通常基于统计或规则，而这种方法往往受到数据质量和特征选择的限制。近年来，图神经网络 (GNN) 成为了一种强有力的工具，它能够处理任意形式的图数据，并从中提取有用的特征。然而，GNN 的黑盒性质使其难以解释其决策过程，从而限制了其在实际应用中的可靠性和信任度。因此，本文提出了一种基于可解释GNN的海空目标行为认知技术。

首先，我们采用一个基于图的表示来描述海空目标，并使用GNN对其进行特征提取。然后，我们引入了一种可解释的GNN模型，称为“解释器GNN”，它能够对其决策过程进行解释，并输出对决策影响最大的节点和边。最后，我们将解释器GNN应用于海空目标行为认知中，以识别不同目标之间的行为模式并进行预测。

实验结果表明，解释器GNN能够提高模型的可解释性和可信度，并且在海空目标行为认知中取得了比传统方法更好的性能。本研究为海空目标行为认知提供了一种新的、可靠的方法，并为未来的应用提供了理论和实践基础。