维度网讯，华中科技大学联合陆军工程大学的研究团队提出了一种基于结构影响的动态超图神经网络（SID-HGNN）框架，在固定翼无人机故障诊断任务中显著提升了分类性能。针对传统超图在半监督节点分类时易受“异质性问题”困扰的瓶颈，团队从理论根源入手，揭示了多层感知机、低阶图和超图在异质性影响上的递增规律，并设计出结构与位置特征融合（SLF）模块与基于标签影响的动态结构（LDS）模块，相关论文以“Structural influence-based dynamic hypergraph for semi-supervised classification”为题发表在《中国科学：信息科学》英文版上。
研究团队首先通过影响域定理和影响梯度定理量化了超图中节点间的相互影响规律，指出传统超图的静态结构是难以应对异质性的关键因素。在此基础上，SLF模块将节点在超图中受到的累积标签影响作为结构特征加入描述，增强特征表征能力；LDS模块则使节点能根据局部标签分布动态调整连接强度，减少跨类别干扰。两个模块整合为SID-HGNN统一框架，在迭代更新中实现精准特征分类。
实验在两个真实固定翼无人机故障数据集上展开：ALFA公开数据集由美国卡耐基梅隆大学机器人研究所收集，包含1325个样本、6个特征维度，涵盖7种无人机故障；自收集S-FWUAV数据集搭载多种传感器，包含2948个样本、9个特征维度，涵盖6种故障。结果显示，SID-HGNN在ALFA数据集上的F1分数达到88.83%，比其他超图方法高出至少4.4个百分点；在S-FWUAV数据集上的F1分数为89.09%，较其他超图方法高出至少7.79个百分点。消融实验表明，SLF和LDS两个模块单独使用均可提升性能，结合后效果最佳。参数敏感性分析显示，该框架在近邻数k=3至30、迭代阶数l=2至10的范围内性能稳定，具有较强的鲁棒性和适应性。可视化分析发现，动态结构能有效减少跨类别节点的冗余连接，强化同类节点关联，从本质上缓解了异质性问题。
该研究由华中科技大学梁少军、王治伟、苏厚胜，华中科技大学与深圳华中科技大学研究院郑英，以及陆军工程大学杨毅共同完成。研究团队表示，SID-HGNN不仅在固定翼无人机故障诊断中表现出色，其理论和方法还可推广到其他图学习任务中，为解决异质性问题提供了新的思路，也为人工智能在工业故障诊断、复杂数据分类等领域的应用注入了新动力。
