CN110991647A - 一种基于本体的uuv态势感知推理方法 - Google Patents

Abstract

本发明属于UUV态势评估领域，具体涉及一种基于本体的UUV态势感知推理方法。本发明能够有效的解决UUV在水下环境的态势感知推理问题，以完成对UUV在执行任务时所面对的态势进行评估，从而便于后续的决策和事件处理。本发明具体包括以下步骤：(1)基于本体对UUV态势感知中的态势感知要素进行建模，充分表达态势感知要素之间的关联关系；(2)对本体进行实例化，输入态势感知要素实例；(3)将本体和贝叶斯之间进行结构转换，建立态势感知要素关系描述与态势感知推理之间的桥梁，为后期的推理奠定基础；(4)利用转换后的贝叶斯网络对态势感知进行推理，得到当前态势感知推理结果。

Description

一种基于本体的UUV态势感知推理方法

技术领域

本发明属于UUV态势评估领域，具体涉及一种基于本体的UUV态势感知推理方法。

背景技术

无人系统态势感知问题是无人系统态势评估中的重点，而高水平的态势感知能力是决策者实现高效决策的重要前提。现有关注UUV的态势感知的研究并不多。具有代表性的例如文献“Fischer Y,Beyerer J.Ontologies for probabilistic situationassessment in the maritime domain[C]//Cognitive Methods in SituationAwareness and Decision Support(CogSIMA),2013IEEE International Multi-Disciplinary Conference on.IEEE,2013:102-105.”介绍了如何将专家知识用于态势感知的建模，将有用的知识作为一个本体的模型作为实例，可以将本体模型转化为一个动态贝叶斯网络，进而解决态势感知的建模问题。还有文献“Pilato G,Augello A,MissikoffM,et al.Integration of ontologies and Bayesian networks for maritimesituation awareness[C]//Semantic Computing(ICSC),2012IEEE Sixth InternationalConference on.IEEE,2012:170-177.”提出了结合观测现实的描述本体论的方法和贝叶斯方法来表示领域专家的经验和知识。文献“Emilio Miguelanez,Pedro Patron,KeithE.Brown,Yvan R.Petillot.Semantic Knowledge-Based Framework to Improve theSituation Awareness of Autonomous Underwater Vehicles[J].IEEE Transactions OnKnowledge And Data Engineering,2011,23(5):759-773”基于针对AUV态势感知提出该算法框架，该框架提供一个更有能力和更全面的系统，涉及到相关信息源之间的语义互操作性。该框架根据专家系统和传感器感知的信息提升AUV环境态势感知能力。

国内学者的相关研究就更少了，其中文献“李军,李敏勇,常玉国.基于模式识别和序贯分析的综合态势感知模型研究[J].舰船电子工程,2010,30(1):60-62”针对态势感知的实际特性，提出了一种基于模式识别和序贯分析相结合的综合态势感知模型，并对该模型的效能进行了简化分析。学者伍文峰的文献“伍文峰,邵华民,吁宁等.利用态势感知知识的决策过程改进模型[J].武器装备自动化,2007,26(3):3-5”基于适当的假设条件，通过战场态势感知获取的知识来改进决策的过程，建立了贝叶斯决策模型。

发明内容

本发明的目的在于提供一种基于本体的UUV态势感知推理方法。

一种基于本体的UUV态势感知推理方法，该方法包括以下步骤：

步骤1：基于本体对UUV态势感知中的态势感知要素进行建模，得到UUV态势感知信息本体，表达态势感知要素之间的关联关系；

步骤2：对UUV态势感知信息本体进行实例化，输入态势感知要素实例；

步骤3：将实例化后的UUV态势感知信息本体转换为贝叶斯网络；

步骤4：将UUV搭载的传感器的信息输入到转换后的贝叶斯网络中，对态势感知进行推理，得到当前态势感知推理结果；

所述的贝叶斯网络推理的本质是在所建立的网络结构基础上进行的概率计算，它的基础仍然是贝叶斯公式和独立假设，即：

上式中P(X₁,X₂,···,X_n)是所建立的结构模型中的所有节点的联合分布；

对于贝叶斯网络模型来说，假设这个网络有n个隐藏节点，m个观测节点，结合上述公式和假设，可以获得其推理机制为：

上式中的i的取值为1到n，j的取值为1到m；x_i表示X_i的一个取值，y_j表示观测变量Y_j的取值，p_a(x_i)、p_a(y_j)分别表示x_i，y_j的父节点的集合。

本发明还可以包括：

所述的步骤1包括以下步骤：

步骤1.1：创建UUV态势感知相关的属性类，包括：SituAwareness类，Event类以及ThreatLevel类；所述的SituAwareness类表示UUV的态势感知类型；所述的Event类表示不确定事件，Event类包括障碍物事件ObstacleAppear、任务参数变化TaskParameter、能量余量BatteryPower、推进器故障ThrusterFault；所述的ThreatLevel类表示到不确定事件的威胁程度，表示不确定信息概率知识时，对OWL语言进行概率扩展；

步骤1.2：构建类和属性间的关系，包括5种概率关系：hasClass、Conditionhas、hasProbValue、hasState和Variablehas，表示某一个概念和另一个概念间具有属性。

步骤2所述的对本体进行实例化是对OWL表示的类建立个体并赋值，包括：不确定事件的威胁程度＝{威胁高，威胁中，威胁低}；障碍物影响＝{威胁高，威胁低}；能量余量＝{充足、不足}；推进器状态＝{正常，异常}；任务参数＝{不变，变化}。

所述的步骤3包括以下步骤：

步骤3.1：本体概率扩展，引入数据类型属性hasValue；类Probability表示OWL类和属性节点的概率，包含子类ProbLow(低等级概率)、ProbMedium(中等级概率)和ProbHigh(高等级概率)；

步骤3.2：用概率扩展的OWL语言表示态势感知本体的概念和实例、先验概率和条件概率等信息，并将这些信息解析出来保存在txt文件中，生成的ClassInstance.txt、Proirvalue.txt和Condvalue.txt文件分别表示UUV态势感知本体的类和实例关系、先验概率和条件概率信息；

步骤3.3：将ClassInstance.txt、Proirvalue.txt和Condvalue.txt中的数据转换成贝叶斯网络的节点；节点中包括类、类所包含的实例和实例所对应的先验概率信息，根据类和实例信息生成贝叶斯网络中表示因果关系的边，最后生成贝叶斯网络条件概率表。

本发明的有益效果在于：

本发明能够有效的解决UUV在水下环境的态势感知推理问题，以完成对UUV在执行任务时所面对的态势进行评估，从而便于后续的决策和事件处理。

本发明的独特性在于，UUV态势感知推理方法，这是其他研究很少涉猎的方面，有助于提高UUV态势感知结果的准确性；创新性在于，不单纯使用本体技术或贝叶斯网络，而是将两者有机结合起来使用，使得态势感知信息的推理结果更为准确，为UUV后续的决策提供了输入信息。

附图说明

图1为UUV态势感知过程本体类图；

图2为本体转换为贝叶斯的流程图；

图3转换后的贝叶斯网络模型。

具体实施方式

下面结合附图对本发明做更详细的描述。

本发明属于UUV态势评估领域，具体涉及一种基于本体的UUV态势感知推理方法。

本发明能够有效的解决UUV在水下环境的态势感知推理问题，以完成对UUV在执行任务时所面对的态势进行评估，从而便于后续的决策和事件处理。本发明具体包括以下步骤：(1)基于本体对UUV态势感知中的态势感知要素进行建模，充分表达态势感知要素之间的关联关系；(2)对本体进行实例化，输入态势感知要素实例；(3)将本体和贝叶斯之间进行结构转换，建立态势感知要素关系描述与态势感知推理之间的桥梁，为后期的推理奠定基础；(4)利用转换后的贝叶斯网络对态势感知进行推理，得到当前态势感知推理结果。

本发明提出了一种基于本体的UUV态势感知推理方法，结合本体和贝叶斯网络进行分析，所述的UUV态势感知推理方法的实现过程为：

步骤1：基于本体对UUV态势感知中的态势感知要素进行建模，充分表达态势感知要素之间的关联关系。

步骤2：对本体进行实例化，输入态势感知要素实例。

步骤3：在本体和贝叶斯之间进行结构转换，建立态势感知要素关系描述与态势感知推理之间的桥梁，为后期的推理奠定基础。

步骤4：利用转换后的贝叶斯网络对态势感知进行推理，得到当前态势感知推理结果。

为了克服现有技术的不足，本发明提供了一种基于本体的UUV态势感知推理方法，以完成对UUV在执行任务时所面对的态势进行评估，从而便于后续的决策和事件处理。

具体实施方式如图1-3所示，对UUV进行的态势感知推理方法，具体过程为：

一种基于本体的UUV态势感知推理方法，该方法有以下几个步骤：

步骤1：基于本体对UUV态势感知中的态势感知要素进行建模，充分表达态势感知要素之间的关联关系。

步骤2：对本体进行实例化，输入态势感知要素实例。

步骤3：将本体和贝叶斯之间进行结构转换，建立态势感知要素关系描述与态势感知推理之间的桥梁，为后期的推理奠定基础。

步骤4：利用转换后的贝叶斯网络对态势感知进行推理，得到当前态势感知推理结果。

步骤1来说，由于本体对概念表述能力规范性和共享性等优点，基于本体来表示UUV复杂海洋环境下态势感知过程中必要的知识，建立UUV态势感知信息本体，该本体描述态势要素之间的关联关系。步骤如下：

(1)创建UUV态势感知相关的属性类。包括SituAwareness类，表示UUV的态势感知类型；Event类，表示不确定事件，例如障碍物事件ObstacleAppear、任务参数变化TaskParameter、能量余量BatteryPower、推进器故障ThrusterFault等。ThreatLevel类，表示到不确定事件的威胁程度。表示不确定信息概率知识时，需要对OWL语言进行概率扩展。

(2)构建类和属性间的关系。定义了5种概率关系：hasClass、Conditionhas、hasProbValue、hasState和Variablehas，表示某一个概念和另一个概念间具有属性。

步骤2中的本体实例化其实就是对OWL表示的类建立个体并赋值的过程。例如不确定事件的威胁程度＝{威胁高，威胁中，威胁低}；障碍物影响＝{威胁高，威胁低}；能量余量＝{充足、不足}；推进器状态＝{正常，异常}；任务参数＝{不变，变化}等。

步骤3所述的本体是基于描述逻辑的，而描述逻辑不能处理不确定性问题，需要将本体转换为贝叶斯网络，其转换规则和步骤如下：

(1)本体概率扩展，引入数据类型属性hasValue；类Probability表示OWL类和属性节点的概率，包含子类ProbLow低等级概率、ProbMedium中等级概率和ProbHigh高等级概率。例如，障碍物事件ObstacleAppear，则概率子类的实例分别为ObstacleLow、ObstacleMedium和ObstacleHigh，初始化概率为0.2、0.7、0.1。可以用概率扩展的OWL语言描述。

(2)用概率扩展的OWL语言表示态势感知本体的概念和实例、先验概率和条件概率等信息，并将这些信息解析出来保存在txt文件中。生成ClassInstance.txt、Proirvalue.txt和Condvalue.txt文件，分别表示UUV态势感知本体的类和实例关系、先验概率和条件概率信息。

(3)将上述三个文件里的数据转换成贝叶斯网络的节点，条件概率表。节点中应体现类、类所包含的实例和实例所对应的先验概率信息，根据类和实例信息生成贝叶斯网络中表示因果关系的边，最后生成贝叶斯网络条件概率表。

步骤4接着根据专家经验知识和贝叶斯网络的理论确定态势感知推理结果。贝叶斯网络推理的本质是在所建立的网络结构基础上进行的概率计算，它的基础仍然是贝叶斯公式和独立假设，即：

上式中P(X₁,X₂,···,X_n)是所建立的结构模型中的所有节点的联合分布。

对于贝叶斯网络模型来说，假设这个网络有n个隐藏节点，m个观测节点，结合上述公式和假设，可以获得其推理机制为：

上式中的i的取值为1到n，j的取值为1到m；x_i表示X_i的一个取值，y_j表示观测变量Y_j的取值，p_a(x_i)、p_a(y_j)分别表示x_i，y_j的父节点的集合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于本体的UUV态势感知推理方法，其特征在于，该方法包括以下步骤：

步骤1：基于本体对UUV态势感知中的态势感知要素进行建模，得到UUV态势感知信息本体，表达态势感知要素之间的关联关系；

步骤2：对UUV态势感知信息本体进行实例化，输入态势感知要素实例；

步骤3：将实例化后的UUV态势感知信息本体转换为贝叶斯网络；

步骤4：将UUV搭载的传感器的信息输入到转换后的贝叶斯网络中，对态势感知进行推理，得到当前态势感知推理结果；

所述的贝叶斯网络推理的本质是在所建立的网络结构基础上进行的概率计算，它的基础仍然是贝叶斯公式和独立假设，即：

上式中P(X₁,X₂,···,X_n)是所建立的结构模型中的所有节点的联合分布；

对于贝叶斯网络模型来说，假设这个网络有n个隐藏节点，m个观测节点，结合上述公式和假设，可以获得其推理机制为：

上式中的i的取值为1到n，j的取值为1到m；x_i表示X_i的一个取值，y_j表示观测变量Y_j的取值，p_a(x_i)、p_a(y_j)分别表示x_i，y_j的父节点的集合。

2.根据权利要求1所述的一种基于本体的UUV态势感知推理方法，其特征在于，所述的步骤1包括以下步骤：

步骤1.1：创建UUV态势感知相关的属性类，包括：SituAwareness类，Event类以及ThreatLevel类；所述的SituAwareness类表示UUV的态势感知类型；所述的Event类表示不确定事件，Event类包括障碍物事件ObstacleAppear、任务参数变化TaskParameter、能量余量BatteryPower、推进器故障ThrusterFault；所述的ThreatLevel类表示到不确定事件的威胁程度，表示不确定信息概率知识时，对OWL语言进行概率扩展；

步骤1.2：构建类和属性间的关系，包括5种概率关系：hasClass、Conditionhas、hasProbValue、hasState和Variablehas，表示某一个概念和另一个概念间具有属性。

3.根据权利要求1或2所述的一种基于本体的UUV态势感知推理方法，其特征在于，步骤2所述的对本体进行实例化是对OWL表示的类建立个体并赋值，包括：不确定事件的威胁程度＝{威胁高，威胁中，威胁低}；障碍物影响＝{威胁高，威胁低}；能量余量＝{充足、不足}；推进器状态＝{正常，异常}；任务参数＝{不变，变化}。

4.根据权利要求1所述的一种基于本体的UUV态势感知推理方法，其特征在于，所述的步骤3包括以下步骤：

步骤3.1：本体概率扩展，引入数据类型属性hasValue；类Probability表示OWL类和属性节点的概率，包含子类ProbLow(低等级概率)、ProbMedium(中等级概率)和ProbHigh(高等级概率)；

步骤3.2：用概率扩展的OWL语言表示态势感知本体的概念和实例、先验概率和条件概率等信息，并将这些信息解析出来保存在txt文件中，生成的ClassInstance.txt、Proirvalue.txt和Condvalue.txt文件分别表示UUV态势感知本体的类和实例关系、先验概率和条件概率信息；

步骤3.3：将ClassInstance.txt、Proirvalue.txt和Condvalue.txt中的数据转换成贝叶斯网络的节点；节点中包括类、类所包含的实例和实例所对应的先验概率信息，根据类和实例信息生成贝叶斯网络中表示因果关系的边，最后生成贝叶斯网络条件概率表。

5.根据权利要求3所述的一种基于本体的UUV态势感知推理方法，其特征在于，所述的步骤3包括以下步骤：

步骤3.1：本体概率扩展，引入数据类型属性hasValue；类Probability表示OWL类和属性节点的概率，包含子类ProbLow(低等级概率)、ProbMedium(中等级概率)和ProbHigh(高等级概率)；

步骤3.2：用概率扩展的OWL语言表示态势感知本体的概念和实例、先验概率和条件概率等信息，并将这些信息解析出来保存在txt文件中，生成的ClassInstance.txt、Proirvalue.txt和Condvalue.txt文件分别表示UUV态势感知本体的类和实例关系、先验概率和条件概率信息；

步骤3.3：将ClassInstance.txt、Proirvalue.txt和Condvalue.txt中的数据转换成贝叶斯网络的节点；节点中包括类、类所包含的实例和实例所对应的先验概率信息，根据类和实例信息生成贝叶斯网络中表示因果关系的边，最后生成贝叶斯网络条件概率表。

Images