CN115238008A - 一种战场环境知识表示方法 - Google Patents
一种战场环境知识表示方法 Download PDFInfo
- Publication number
- CN115238008A CN115238008A CN202210818898.8A CN202210818898A CN115238008A CN 115238008 A CN115238008 A CN 115238008A CN 202210818898 A CN202210818898 A CN 202210818898A CN 115238008 A CN115238008 A CN 115238008A
- Authority
- CN
- China
- Prior art keywords
- battlefield environment
- knowledge
- layer
- environment
- battlefield
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于知识图谱技术领域,具体涉及一种战场环境知识表示方法,包括:基于战场环境数据抽取战场环境知识,战场环境知识包括战场环境实体知识、战场环境事件知识、战场环境影响过程知识和战场环境服务决策知识;基于知识超图,分别对上述各类知识进行表示,以获得对应的战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图;在各个层中,将某个层的知识超图中节点与其它层知识超图中节点的关系使用超边/边进行表示,得到跨层的知识超图;将得到的各个层对应的知识超图以及跨层的知识超图进行关联并可视化展示;由此,本发明解决了现有技术中知识表示模型难以全面体现所有要素之间关联关系的问题。
Description
技术领域
本发明属于知识图谱技术领域,具体涉及一种战场环境知识表示方法。
背景技术
战场环境是固定作战区域内,除人员、武器装备以外的客观环境,在空间上涵盖陆地、海洋、天空和太空“全域”,要素上包括地理、气象、电磁、网络和核生化等“多维”环境。基于多源异构战场环境数据的仿真建模与表达,是指挥员认识客观环境、制订作战计划、拨开战场迷雾的重要手段。空天地海一体的战场环境传感器种类逐渐丰富,数据记录手段越来越全面,数据种类也越来越多,对海量战场环境数据的处理加工,实现从数据到知识的提升,使机器更智能,是当前战场环境智能化服务保障的重要途径。
知识图谱是人工智能领域的一种知识表示方法,目标是实现机器的认知智能,核心是将多源异构数据通过抽取、建模与表示形成知识库,在数据关联搜索、智能问答、决策分析等方向大放异彩。在军事领域,主要利用知识图谱对军事装备知识、军事知识的组织、目标知识图谱构建等进行了深入研究,用于作战方案的智能匹配,海空目标智能综合识别,军事知识自然语言问答等领域。对知识图谱的研究与应用,是军事智能化发展的必然趋势,但对战场环境知识图谱的构建和应用还未成体系地进行研究。对战场环境知识图谱研究具有借鉴意义的是地理知识图谱的研究,地理知识图谱旨在解决“地理信息爆炸,知识匮乏”的问题,其中地理知识本体模型构建、事件知识表示、地理知识抽取、存储索引与智能服务等方面的研究,对战场环境知识建模及应用具有重要的借鉴意义。然而,大多数的知识表示模型难以全面的体现所有相关联的要素或者要素属性之间的关系,模型表示的要素之间的关系以及要素不全面,比如采用三元组表示的模型,三元组的表示方法使得战场环境知识碎片化比较严重,难以体现战场环境知识的时序特点和场景特点,缺失一些要素之间的关联关系。
发明内容
本发明的目的在于提供一种战场环境知识表示方法,用以解决现有技术中知识表示模型难以全面地体现所有要素之间关联关系的问题。
为解决上述技术问题,本发明所提供的技术方案以及技术方案对应的有益效果如下:
本发明的一种战场环境知识表示方法,包括以下步骤:
1)基于战场环境数据,从中抽取战场环境知识,所述战场环境知识包括战场环境实体知识、战场环境事件知识、战场环境影响过程知识和战场环境服务决策知识;
所述战场环境实体知识包括在一定战场区域内的对战场环境各要素独立或联合的对象化逻辑描述;所述战场环境事件知识包括在一定战场区域内的战场环境要素的行为或空间结构、属性或组合发生了变化,且所述变化对作战单元或环境自身造成了重要影响的事件;所述战场环境影响过程知识包括用于战场环境影响评估、作战模拟仿真领域,依赖相关资料和专家经验,形成包括海洋环境模型、大气环境模型、地形影响模型以及综合环境影响模型在内的知识;所述战场环境服务决策知识包括考虑地理、气象、电磁、网络在内的综合环境要素对作战行动各阶段的综合效能影响的知识;
2)基于知识超图,分别对战场环境实体知识、战场环境事件知识、战场环境影响过程知识和战场环境服务决策知识进行表示,以获得对应的战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图;
3)在战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层中,将某个层的知识超图中节点与其它层知识超图中节点的关系使用超边/边进行表示,得到跨层的知识超图;
4)将得到的战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图以及跨层的知识超图进行并联并可视化展示。
上述技术方案的有益效果为:战场环境知识建模是战场环境智能化保障的核心基础工作,对实体、事件、影响过程、决策服务等多种类型的知识进行建模与分析是一个庞大的系统工程。本发明主要从知识体系的分类、知识超图模型构建、知识超图构建与关联等角度对战场环境知识进行了系统的分析、建模,实现了各类知识从单个要素数据、单层要素间的关系到层与层之间的关联关系的知识超图的全面表示。由此解决了现有技术中使用三元组的表示方法会使得战场环境知识碎片化比较严重,难以体现战场环境知识的时序特点和场景特点的问题。
进一步地,步骤3)中所述关系包括战场环境实体层与战场环境事件层的映射关系、战场环境事件层与战场环境影响过程层的映射关系和战场环境影响过程层与战场环境服务决策层的映射关系;战场环境实体层与战场环境事件层的映射关系用于表示包括战场环境事件知识和战场环境知识中包含的实体间的关系;战场环境事件层与战场环境影响过程层的映射关系用于表示包括战场环境发生事件引起的对武器装备或人员的影响;战场环境影响过程层与战场环境服务决策层的映射关系用于表示包括对武器装备或人员的影响参数对作战行动的决策影响。
上述技术方案的有益效果为:本发明通过战场环境事件知识中包含的实体,将单独的战场环境实体层与战场环境事件层映射起来,又根据战场环境发生事件引起的对武器装备或人员的影响,最后根据武器装备或人员的影响参数对作战行动的决策影响,实现了层与层之间的联动关系,全面体现了各种要素的相互影响的关联关系。
进一步地,战场环境实体层中包括若干战场环境实体,使用实体表示属性对战场环境实体进行表示;所述实体表示属性包括实体类型、位置、区域、时间、状态和语义关系;所述语义关系包括一个实体的所有实体表示属性的关系;所述语义关系使用超边/边表示;除所述语义关系之外的各个实体表示属性使用节点表示;对所述战场环境实体层基于知识超图表示后得到一个无向属性超图网络。
上述技术方案的有益效果为:本发明各个实体表示属性与实体之间使用边表示,可以直观的表示实体与属性的关系;又将各个实体表示属性之间通过超边表示,将各个散乱的且具有相同实体的属性又直观的表示出来,更有利于对知识的利用,有利于统计分析。
进一步地,战场环境事件层包括若干战场环境事件;使用事件表示属性对战场环境事件进行表示;所述事件表示属性包括事件类型、时间要素、地点要素、事件主体、事件逻辑关系、动作要素、状态集合与事件描述;所述事件逻辑关系包括形成事件的事件表示属性值以及事件与事件之间的继承、发展、因果关系,使用超边/边表示所述事件逻辑关系;除所述事件逻辑关系之外的各个事件表示属性使用节点表示;对所述战场环境事件层基于知识超图表示后得到一个有向逻辑关系的有向超图网络。
进一步地,战场环境影响过程层包括若干战场环境影响过程,使用过程表示属性对战场环境影响过程进行表示;所述过程表示属性包括环境影响因素、人员、武器装备、作用对象、主题属性、时间和影响权重关系;所述影响权重关系包括多个环境影响因素对武器装备或人员的综合影响,使用超边/边表示所述影响权重关系;除所述影响权重关系之外的各个过程表示属性使用节点表示;对所述战场环境影响过程层基于知识超图表示后得到一个加权有向超图网络。
进一步地,战场环境服务决策层包括若干战场环境服务决策,使用决策表示属性对战场环境服务决策进行表示;所述决策表示属性包括类型、地形、气象、海洋影响因子、影响实体、作战行动、区域和过程关系;所述过程关系包括环境、装备性能对作战行动的决策影响;使用超边表示所述过程关系;除所述过程关系之外的各个决策表示属性使用节点表示;对所述战场环境服务决策层基于知识超图表示后得到一个模糊超图网络。
进一步地,步骤3)中使用的超边逻辑表示为:
其中,oi∈GBE_Object,ej∈GBE_Event,ak∈GBE_Affect,dl∈GBE_Decision分别表示GBE_Object,GBE_Event,GBE_Affect,GBE_Decision四个层中的任一节点,表示oi和ej之间是否存在映射关系,表示ei和ak之间是否存在映射关系,表示ak和dl之间是否存在映射关系。
进一步地,所述超边包括无序超边和有序超边,依据预设规则构建对应的无序超边和有序超边。
进一步地,步骤4)中战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图以及跨层的知识超图表示时使用的整体表示模型的形式化表示为:
G={GBE_Object,GBE_Event,GBE_Affect,GBE_Decision,R}
其中R表示层与层之间的映射关系集合;GBE_Object表示战场环境实体层,包括战场环境各领域实体及其之间的语义超边关系;GBE_Event表示战场环境事件层,包括战场环境各类事件及其事件之间的因果、顺序、继承事件逻辑关系;GBE_Affect表示战场环境影响过程层,包括战场环境各实体影响因子及影响权重关系;GBE_Decision表示战场环境服务决策层,包括作战行动、作战训练、武器打击效果评估综合环境分析模型及作战行动的过程关系。
附图说明
图1是本发明的战场环境知识分类示意图;
图2是本发明的战场环境各类知识元建模及关系示意图;
图3是本发明的战场环境时序超图知识表示模型的示意图;
图4是本发明的战场环境知识超图;
图5是本发明的战场环境多层次时序知识超图概念模型;
图6是本发明的以某城市为例的地图要素知识表示示意图;
图7是本发明的事件知识表示示意图;
图8是本发明的模糊影响图的知识超图表示;
图9是本发明的基于图谱语义节点实现对三维场景的交互示意图;
图10-1是本发明的事件的超图表示示例中洪涝灾害事件的超图表示示意图;
图10-2是本发明的事件的超图表示示例中政治事件的超图表示示意图;
图11-1是本发明的战场环境影响过程知识图表示示例中影响因子是水文因子的超图表示示意图;
图11-2是本发明的战场环境影响过程知识图表示示例中影响因子是气象因子的超图表示示意图;
图11-3是本发明的战场环境影响过程知识图表示示例中影响因子是土质因子的超图表示示意图;
图11-4是本发明的战场环境影响过程知识图表示示例中影响因子是植被因子的超图表示示意图;
图12-1是本发明的一种有序超边示例示意图;
图12-2是本发明的另一种有序超边示例示意图;
图13-1是本发明的一种无序超边示例示意图;
图13-2是本发明的另一种无序超边示例示意图;
图13-3是本发明的又一种无序超边示例示意图;
图14是本发明的战场环境知识超边建模示例示意图;
图15-1是本发明的节点与非独立节点的超图表示的第一示意图;
图15-2是本发明的节点与非独立节点的超图表示的第二示意图;
图15-3是本发明的节点与非独立节点的超图表示的第三示意图;
图15-4是本发明的节点与非独立节点的超图表示的第四示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明了,以下结合附图及实施例,对本发明进行进一步详细说明。
方法实施例:
下面结合本发明步骤进行说明。
第一步:基于战场环境数据,抽取战场环境知识,所述战场环境知识包括战场环境实体知识、战场环境事件知识、战场环境影响过程知识和战场环境服务决策知识。下面对战场环境知识逻辑表示进行介绍。
首先,对战场环境知识分类进行说明,战场环境知识主要依存于战场环境信息,信息存储的模态决定了知识存储的形式,知识存储模态主要包括:文字、图像、音频和视频等。战场环境知识存储模态重点依托与战场环境信息存储的结构化存储形式,例如地图、影像、兵要地志、监控音/视频、作战行动规则等形式,在文字、图像、音/视频等模态的基础上记录了战场环境自身特有的领域属性和特点,例如,地图、影像本质是图像,记录了地理空间位置、属性等信息的图像。战场环境知识按应用方向可分为环境基础知识、环境影响过程知识和环境服务决策知识,如图1所示。
(1)环境基础知识。
环境基础知识主要是对环境基本客观信息的刻画与表述,通过各类传感器对战场客观环境进行信息记录的结果,主要包括要素知识和事件知识。例如:地球表面地形的自然起伏状态,地理信息实体的位置、属性以及空间关系,气象的温度、湿度、气压、降雨、能见度等,地质的土质、土壤类型、岩层属性等,海洋温度、盐度、密度、海洋气压、海底地形起伏等,电磁的磁场、信号等,人口、宗教、文化等人文知识。事件知识包括地理事件、人文事件和信息事件。例如,地理事件包括山体滑坡、泥石流、洪涝灾害、降雨、水土侵蚀、水土流失等事件,人文事件包括政治事件、经济事件、军事事件、文化事件,信息事件包括信号干扰、网络舆情、网络侦察、网络攻击、网络防御等事件。
(2)环境影响过程知识。
环境影响过程知识主要是指不同环境领域的专家,如地图学家、地质学家、大地测量学家、海洋学家等根据自身的专业知识,在环境探测基础信息的基础之上,通过自身专业知识对信息的知识再加工,最终形成的环境影响知识。包括显性知识和隐性知识。显性知识主要是领域专家总结归纳后的环境影响指标体系,例如环境效能影响模型指标,地缘环境影响力指标等。隐性知识主要是领域专家在总结归纳过程中所利用的专业知识,以及难以形式化表达的专家知识,例如地图符号设计知识、地图制图知识等。
(3)环境服务决策知识。
环境服务决策知识,主要指最终为作战行动决策提供环境保障服务的知识,多是指各类环境综合影响评估模型、作战行动环境影响效能评估方法等,与作战行动和武器装备密切相关。例如恶劣气象环境对作战行动的影响评估,陆地机动、空中运输、目标毁伤等环境辅助决策知识。
第二步:构建战场环境多层次时序知识超图模型。该战场环境多层次时序知识超图模型的构建方法如下:
首先,对战场环境知识元模型设计进行说明。
知识表示是研究如何用最恰当的形式来组织所需要的各种知识。如图2所示,按照战场环境知识分类,对各类知识进行抽象建模,其逻辑结构可表示为知识集合:
BEKM∷={BE_Concepts,BE_Object,BE_Event,BE_Affect,BE_Decision,Relations}
其中,BE_Concepts表示战场环境概念分类集合;BE_Object表示战场环境实体知识集合,BE_Event表示战场环境事件知识集合,BE_Affect表示战场环境影响知识集合,BE_Decision表示战场环境决策分析知识集合,Relations表示战场环境中关系集合,主要指各类知识之间的语义关系、空间关系和相互作用关系。
(1)战场环境实体知识表示。
战场环境实体是指对一定战场区域内,对战场环境各要素独立或联合的对象化逻辑描述。不仅包括现实世界存在的环境对象(如地物、植被、云、雨等),也包括难以可视化表示的、虚拟存在的环境对象。战场环境实体具有空间属性、时间属性、区域属性、过程属性等。关系类型包括实体间的方位关系、距离关系、时间关系等时空关系,以及隶属于、实例、包含等语义关系。战场环境实体表示逻辑结构为六元组:
BE_Object::=<TYPE,TIME,POS,RGN,STA,REL>
其中,TYPE,TIME,POS,RGN,STA,REL分别表示实体类型、时间、位置、区域、状态和关系。
(2)战场环境事件知识表示。
战场环境事件是一定的战场区域内,战场环境主题对象(现象)的行为或空间结构、属性或组合发生了变化,且这种变化对作战单元或环境自身造成了重要影响的事件。比如,在某时空范围内战场环境实体发生的变化,如降雨、泥石流、水土侵蚀等。
战场环境事件重点突出了对象之间的相互关系,既包含对象内部的演变关系,也包含了环境对象之间的关联关系。事件包括事件主体(who)、时间(when)、地点(where)、动作(action)、状态(state)、情况(what)、类型(type)7个要素。形式上,事件表示为:
BE_Event::=<TYPE,TIME,POS,OBJ,REL,ACT,STA,REL>
其中,TYPE,TIME,POS,OBJ,REL,ACT,STA,分别表示事件的事件类型、时间要素、地点要素、事件主体、事件关系、动作要素(如动作触发词)、状态集合与情况(事件描述)。
(3)战场环境影响过程知识表示。
战场环境影响过程知识主要用于战场环境影响评估、作战模拟仿真等领域,主要依赖相关资料和专家经验,形成海洋环境模型、大气环境模型、地形影响模型以及综合环境影响模型等知识。环境影响知识主要是以影响因子形式存在,在仿真建模等过程中以数学模型表示。战场环境影响过程的逻辑结构表示为:
BE_Affect::=<ENV,PER,WEP,OBJ,PRO,TIME,REL>
其中ENV,PER,WEP,OBJ,PRO,TIM,R分别表示环境影响因素、人员、武器装备、作用对象、主题属性、时间和关系。
(4)战场环境服务决策知识表示。
战场环境服务决策知识强调的是考虑地理、气象、电磁、网络等综合环境要素对作战行动各阶段的综合效能影响结果。需要考虑军事行动要素、武器装备及战场环境的综合建模,是个复杂的系统知识建模问题。战场环境服务决策知识来自于两个方面:一方面是已有效能评估方法的知识建模。有代表性的评估方法有层次分析法、ADC模型法、作战模拟法、关联分析法、支持向量机评估法等,可以通过对评估方法的图建模,实现对专家知识的表示;另一方面是数据或知识驱动的作战效能评估。采用定性定量相结合的评估方法,例如采用模糊影响图分析方法进行知识超图的建模,可借助图神经网络或大图估计等计算方法实现战场环境效能评估。逻辑结构表示为:
BE_Decision::=<TYPE,TER,MET,SEA,OBJ,ACT,REG,REL>
其中TYPE,TER,MET,SEA,OBJ,ACT,REG,REL分别表示类型、地形、气象、海洋影响因子、影响实体、作战行动、区域和关系。
其次,使用上述战场环境知识元模型构建本发明的战场环境时序知识超图表示模型。
下面对战场环境知识超图进行说明。当前知识表示多采用三元组表示,尽管能够较好地表示概念层的逻辑推理,但随着实体层数据的大规模扩展,战场环境知识的时序特点、场景特点越发明显,三元组的表示方法使得战场环境知识碎片化比较严重。且简化了存储在知识图谱中数据的复杂性,特别是对于连接两个及以上实体的超关系数据,无法以二元关系表示,且其中高阶结构信息的丢失,会导致知识超图表示及推理能力受限。
本发明采用知识超图模型,实现对战场环境复杂多元关系的建模。
构建战场环境时序超图知识表示模型,如图3所示。首先,构建BE_Object、BE_Event、BE_Affect、BE_Decision、BE_Person、BE_Weapon等基础类并建立类之间的关系;然后,抽取基本核心元素TIME、POS、RGN、STA、ACT并用owl语言继承表示;实例层主要继承自概念层,从实体、事件、影响过程、服务决策4个层次建立实例层间关系和实例与概念层间关系,整个超图网络通过时间元素进行驱动。
知识超图可以表示为HG=(V,E),其中V={v_1,…,v_n}是实体(节点)集,E={E_1,…,E_n}表示V的非空有序元组的集合,称为超边集,超边e∈E对应于一个关系类型映射函数 ,R是关系集合,表明每条超边都对应于一类特定的关系r∈R,关系r的元数|r|是固定的,即关系r涉及的实体个数是固定的。
在知识超图中,一个事实可以被表示为一个多元组(r,v_1,…,v_n),其中r∈R,v_i∈V,(v_1,…,v_n)∈E.如图4所示:(1)超边“洪涝灾害”事件连接(时间、地点、类型、灾害类型)等多个实体,能清晰表示实体之间的相关性;(2)超边“城市”能够连接(时间、位置、面积、人口、类型)等多个实体属性,能全面表示一个实体的各类属性关系;(3)超边“车辆机动环境影响”连接(大气压、海拔高度、雾、地形坡度、能见度)等多个影响要素,能全面刻画环境对机动速度的影响;(4)超边“反恐行动分析决策”连接(积雪、风向、风速、气温、装备)等多个实体要素,能全面分析环境、武器装备和作战行动的综合决策。其次,对战场环境多层次时序知识超图模型进行介绍。
战场环境知识呈现明显的层次特性、时空特性和尺度特性。借鉴层次超图模型,如图5所示,战场环境多层次时序知识超图模型(Multi-level temporal knowledgehypergraph model of battlefield environment)可形式化表示为:G={GBE_object,GBE_Event,GBE_Affect,GBE_Decision,R},其中R表示层与层之间的关系集合。GBE_Object表示要素层,由战场环境各领域要素及其之间的语义超边关系组成;GBE_Event表示事件层,由战场环境各类事件及其事件之间的因果、顺序、继承等事件逻辑关系组成;GBE_Affect表示环境影响层,由战场环境各要素影响因子及影响权重关系组成;GBE_Decision表示环境分析决策层,由作战行动、作战训练、武器打击效果评估等综合环境分析模型及作战行动过程关系组成。虚线表示各层次关联实体、时间、地点的跨层联动。GBE_object是一个无向属性超图网络,表示实体属性的关系;GBE_Event是一个有向超图网络,表示战场环境各类事件的有向逻辑关系;GBE_Affect是一个加权有向超图网络,表示各类环境要素影响的关系,边表示各类影响因素的权重;GBE_Decision是一个模糊超图网络,不需要对连续型的属性进行离散化处理,设GBE_Decision=<d,e,λ>,其中d={d1,d2,…,dn}表示顶点集合,e={e1,e2,…,en}为超边集合,λ为模糊超网络模型的最优模糊相似度阈值。超边的条件属性集为c={c1,c2,…,cn},D为超边的决策属性,e1是超边集E中连接k个顶点di1,di2,…,din的超边。其中顶点di为样本,且一条超边中的样本具有相同的属性集。
如图4所示,时序超网络模型动态映射关系,环境实体要素自身属性变化或实体间相互影响,引起相关地理事件、人文事件或信息事件的发生,能量聚变或流动引发武器装备和作战行动的单要素影响,最终综合影响作战指挥和打击效果。
下面对战场环境知识超边的建模进行说明。
战场环境知识超边主要包括两类:一类是各子图的知识超边,一类是子图与子图之间的跨层超边。第一类超边即按3.1中的子图超边进行建模,第二类跨层超边主要包括GBE_object,GBE_Event,GBE_Affect,GBE_Decision四个子图之间的层间映射关系。
第一类超边主要包括:(1)要素知识子网络内部超边,主要表示各类实体要素的属性值;(2)事件子网络内部超边,主要表示形成事件的“5W1H”属性值,以及事件与事件之间的继承、发展、因果等关系;(3)环境影响过程子网络内部超边,主要表示多个环境影响要素对武器装备或人员的综合影响;(4)环境服务决策子网络内部超边,主要表示环境、装备性能对作战行动的决策影响。
第二类超边主要包括:(1)要素知识子网络与事件子网络映射关系(GBE_object→GBE_Event),表示战场环境事件中包含的要素实体,例如“洪涝灾害事件”与“城市”之间的“发生地”关系;(2)事件子网络与环境影响过程子网络映射关系(GBE_Event→GBE_Affect),表示战场环境发生事件引起的对武器装备或人员的影响,例如“强降雨事件(事件层)”与“能见度(环境影响层)”之间的“影响因子”关系;(3)环境影响过程子网络与环境服务决策子网络映射关系(GBE_Affect→GBE_Decision),表示对武器装备或人员的影响参数对作战行动的决策影响,例如“地形坡度对车辆的影响(环境影响层)”与“协同追缴(作战决策)”之间的“模糊影响度”关系。
令oi∈GBE_Object,ei∈GBE_Event,ak∈GBE_Affect,dl∈GBE_Decision分别表示GBE_Object,GBE_Event,GBE_Affect,GBE_Decision四个子网络的任一节点,变量分别表示不同类型之间是否存在映射关系,由此战场环境知识超边可表示为:
战场环境知识超边可分为无序超边和有序超边,要素知识子网络多为无序超边,事件知识子网络多为有序超边。有序超边可以分为链状超边、环状超边。超边需要对二元普通边进行连接性分析和子图构造得来,如图12-1、图12-2、图13-1、图13-2和图13-3所示。
定义战场环境知识超边构建规则:
规则1根据二元有序普通边构建有序超边:
(?r rdfs:subPropertyOf betho
:OrderedChainHE),(?x?r?y),(?y?r?i),makeChainHE(?x,?r,?z)->(?z rdf:type betho:OrderedHE),(?z rdf:first?x)
描述为:r是环境知识超图的链状有序关系的一种,x、y和i均表示节点,(?x?r?y)表示节点x和节点y节点通过关系r相链接,(?y?r?i)表示节点y和节点i节点通过关系r相链接,(?x,?r,?z)表示可生成以节点x为起始节点且满足关系r的链状超边z,其中z是有序超边,x为起始节点。
规则2根据二元无序普通边构建无序超边:
(?r rdfs:subPropertyOf betho
:unorderedChainHE),(?x?r?y),(?y?r?i),makeChainHE(?x,?r,?z)->(?z rdf:type betho:UnorderedHE),(?z rdf:first?x),(?z rdf:member?y)
描述为:r是环境知识超图的链状无序关系的一种,x、y和i均表示节点,(?x?r?y)表示节点x和节点y节点通过关系r相链接,(?y?r?i)表示节点y和节点i节点通过关系r相链接,(?x,?r,?z)表示可生成以节点x为起始节点且满足关系r的链状超边z,其中z是无序超边,x为起始节点,y是z的成员。
规则3环形有序普通边构建环形有序超边:
(?r rdfs:subPropertyOf betho:orderedCircleHE),(?x?r?y),makeCircleHE(?x,?r,?z)->(?z rdf:type betho:OrderedHE)
描述为:r是环境知识超图的环状有序关系的一种,(?x,?r,?y)表示检查以节点x为起始点且满足关系r环状超边上的下一个节点y,若节点y满足关系r则将节点y接入该环状超边上,(x,r,z)表示可生成以节点x为起始点且满足关系r的环状超边,则z是有序超边。
规则4环形无序普通边构建环形无序超边:
(?r rdfs:subPropertyOf betho:unorderedCircleHE),(?x?r?y),makeCircleHE(?x,?r,?z)->(?z rdf:type betho:UnOrderedHE)
描述为:r是环境知识超图的环状无序关系的一种,(?x,?r,?y)表示检查以节点x为起始点且满足关系r环状超边上的下一个节点y,若节点y满足关系r则将节点y接入该环状超边上,(x,r,z)表示可生成以节点x为起始点且满足关系r的环状超边,则z是无序超边。
利用以上规则实现知识超边建模。至此完成边、超边和节点的建模,从而得到战场环境多层次时序知识超图模型。
第三步:使用战场环境多层次时序知识超图模型,基于知识超图,分别对战场环境实体知识、战场环境事件知识、战场环境影响过程知识和战场环境服务决策知识进行表示,以获得对应的战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图。
第四步:在战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层中,将某个层的知识超图中节点与其它层知识超图中节点的关系使用超边或者边进行表示,得到跨层的知识超图。
第五步:将得到战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图以及跨层的知识超图进行可视化展示,如图14所示。
下面结合实验与分析进行对本发明的效果进行说明。
以反恐行动环境影响分析为例,从实体、事件、影响过程和分析决策四个层次实现战场环境知识的建模,采用数据和模型如表1所示。实验硬件处理器Intel Core i7-8750H2.20GHz,内存32G,显卡GeForce GTX 1050Ti。软件开发IDE采用Pycharm,前端JavaScript进行图谱可视化,知识图谱采用Neo4j图数据库存储。
表1实验数据
下面对要素知识表示进行对比说明。
(1)地图要素知识采用结构化shp数据,如图6所示,重点抽取地图各要素的名称、类型、位置、区域、时间和状态,在neo4j里采用超边存储。
(2)事件知识表示。
事件知识抽取以地缘事件为例,从新闻网站爬取相关新闻事件,按照事件触发词进行事件整理,得到34729个节点,69457条边,超边表示示例如表2所示,可视化结果示例如图7所示。
表2事件的超图表示示例
下面对战场环境影响过程知识表示进行说明。
式中为P车辆发动机功率,f1为大气压对车辆发动机功率输出的影响系数,η为车辆的机械效率,V为车辆的运动速度,f为车辆行驶的摩擦系数,G为车辆的总重量,α为地面的坡度,C为空气阻力系数,A为车辆正面投影面积,Vf为车辆运动反方向上的风速分量。其影响超图表示结果如表3所示。
表3战场环境影响过程知识图表示示例
下面对战场环境服务决策知识表示。
采用高原地区反恐行动环境影响决策知识为例,将环境综合模糊影响图的关系层、数值层和函数层以及结点间的模糊关系转换为超图模型。独立节点状态、频率转换为超边关系,如表4所示。频率模糊集、独立节点和非独立节点的状态模糊集分别转换为频率和状态节点。节点间的模糊关系转换为超边关系。实验结果如图8所示,VH,H,M,L,VL表示频率模糊节点,隶属度作为节点属性值;G,S,B为独立节点状态模糊节点,隶属度作为节点属性值;HD,MD,LD,NO为非独立节点状态模糊节点,隶属度作为节点属性值。利用独立节点状态、频率构建超边,节点模糊关系构建各类节点之间的关系,结果如图8所示。
表4节点-非独立节点的超图表示
节点 | 频率 | 状态 | 非独立节点 | 非独立节点状态 | 超图表示 |
1云类型 | M | G | 11直升机 | LD | 如图15-1所示 |
1云类型 | H | S | 10卫星 | NO | 如图15-2所示 |
3风速 | VL | G | 11直升机 | MD | 如图15-3所示 |
9气压 | H | B | 11直升机 | HD | 如图15-4所示 |
下面对战场环境各类知识关联进行说明。
基于战场环境要素实体,将实体属性、影像/街景、事件、军事地理文档、地图等跨域多源数据进行关联,其优势是提供了一种基于实体语义的多元环境数据检索,如图9所示。从语义上实现多源异构战场环境数据的检索,且能够与三维虚拟战场环境实现关联映射,基于图谱语义节点实现对三维场景的交互。
战场环境知识建模是战场环境智能化保障的核心基础工作,对要素、事件、影响过程、决策服务等多种类型的知识进行建模与分析是一个庞大的系统工程。本发明主要从知识体系的分类、知识超图模型构建、知识超图构建与关联可视化等角度对战场环境知识进行了系统的分析、建模,主要实现了各类知识从数据、模型到知识超图的表示,并基于多源战场环境数据实现了知识超图建模的实验。本发明支持多种类型战场要素类型超图网络的关联搜索,然后关联战场环境影响过程知识和决策分析知识综合分析战场环境,为后续态势预测、指挥控制等提供智能服务奠定了基础。例如,本发明知识超图可以为以下运用场景提供服务:战场环境知识与战场态势、指挥控制等知识网络的融合,基于多模态战场环境知识的知识补全,基于图神经网络的知识推理,基于知识图谱的战场场景智能分析与预测等。
Claims (9)
1.一种战场环境知识表示方法,其特征在于:包括以下步骤:
1)基于战场环境数据,从中抽取战场环境知识,所述战场环境知识包括战场环境实体知识、战场环境事件知识、战场环境影响过程知识和战场环境服务决策知识;
所述战场环境实体知识包括在一定战场区域内的对战场环境各要素独立或联合的对象化逻辑描述;所述战场环境事件知识包括在一定战场区域内的战场环境要素的行为或空间结构、属性或组合发生了变化,且所述变化对作战单元或环境自身造成了重要影响的事件;所述战场环境影响过程知识包括用于战场环境影响评估、作战模拟仿真领域,依赖相关资料和专家经验,形成包括海洋环境模型、大气环境模型、地形影响模型以及综合环境影响模型在内的知识;所述战场环境服务决策知识包括考虑地理、气象、电磁、网络在内的综合环境要素对作战行动各阶段的综合效能影响的知识;
2)基于知识超图,分别对战场环境实体知识、战场环境事件知识、战场环境影响过程知识和战场环境服务决策知识进行表示,以获得对应的战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图;
3)在战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层中,将某个层的知识超图中节点与其它层知识超图中节点的关系使用超边/边进行表示,得到跨层的知识超图;
4)将得到的战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图以及跨层的知识超图进行关联并可视化展示。
2.根据权利要求1所述的战场环境知识表示方法,其特征在于:步骤3)中所述关系包括战场环境实体层与战场环境事件层的映射关系、战场环境事件层与战场环境影响过程层的映射关系和战场环境影响过程层与战场环境服务决策层的映射关系;战场环境实体层与战场环境事件层的映射关系用于表示包括战场环境事件知识和战场环境知识中包含的实体间的关系;战场环境事件层与战场环境影响过程层的映射关系用于表示包括战场环境发生事件引起的对武器装备或人员的影响;战场环境影响过程层与战场环境服务决策层的映射关系用于表示包括对武器装备或人员的影响参数对作战行动的决策影响。
3.根据权利要求1或2所述的战场环境知识表示方法,其特征在于:战场环境实体层中包括若干战场环境实体,使用实体表示属性对战场环境实体进行表示;所述实体表示属性包括实体类型、位置、区域、时间、状态和语义关系;所述语义关系包括一个实体的所有实体表示属性的关系;所述语义关系使用超边/边表示;除所述语义关系之外的各个实体表示属性使用节点表示;对所述战场环境实体层基于知识超图表示后得到一个无向属性超图网络。
4.根据权利要求1或2所述的战场环境知识表示方法,其特征在于:战场环境事件层包括若干战场环境事件;使用事件表示属性对战场环境事件进行表示;所述事件表示属性包括事件类型、时间要素、地点要素、事件主体、事件逻辑关系、动作要素、状态集合与事件描述;所述事件逻辑关系包括形成事件的事件表示属性值以及事件与事件之间的继承、发展、因果关系,使用超边/边表示所述事件逻辑关系;除所述事件逻辑关系之外的各个事件表示属性使用节点表示;对所述战场环境事件层基于知识超图表示后得到一个有向逻辑关系的有向超图网络。
5.根据权利要求1或2所述的战场环境知识表示方法,其特征在于:战场环境影响过程层包括若干战场环境影响过程,使用过程表示属性对战场环境影响过程进行表示;所述过程表示属性包括环境影响因素、人员、武器装备、作用对象、主题属性、时间和影响权重关系;所述影响权重关系包括多个环境影响因素对武器装备或人员的综合影响,使用超边/边表示所述影响权重关系;除所述影响权重关系之外的各个过程表示属性使用节点表示;对所述战场环境影响过程层基于知识超图表示后得到一个加权有向超图网络。
6.根据权利要求1或2所述的战场环境知识表示方法,其特征在于:战场环境服务决策层包括若干战场环境服务决策,使用决策表示属性对战场环境服务决策进行表示;所述决策表示属性包括类型、地形、气象、海洋影响因子、影响实体、作战行动、区域和过程关系;所述过程关系包括环境、装备性能对作战行动的决策影响;使用超边表示所述过程关系;除所述过程关系之外的各个决策表示属性使用节点表示;对所述战场环境服务决策层基于知识超图表示后得到一个模糊超图网络。
8.根据权利要求1所述的战场环境知识表示方法,其特征在于:所述超边包括无序超边和有序超边,依据预设规则构建对应的无序超边和有序超边。
9.根据权利要求1所述的战场环境知识表示方法,其特征在于:步骤4)中战场环境实体层、战场环境事件层、战场环境影响过程层和战场环境服务决策层的知识超图以及跨层的知识超图表示时使用的整体表示模型的形式化表示为:
G={GBE_Object,GBE_Event,GBE_Affect,GBE_Decision,R}
其中R表示层与层之间的映射关系集合;GBE_Object表示战场环境实体层,包括战场环境各领域实体及其之间的语义超边关系;GBE_Event表示战场环境事件层,包括战场环境各类事件及其事件之间的因果、顺序、继承事件逻辑关系;GBE_Affect表示战场环境影响过程层,包括战场环境各实体影响因子及影响权重关系;GBE_Decision表示战场环境服务决策层,包括作战行动、作战训练、武器打击效果评估综合环境分析模型及作战行动的过程关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818898.8A CN115238008A (zh) | 2022-07-12 | 2022-07-12 | 一种战场环境知识表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818898.8A CN115238008A (zh) | 2022-07-12 | 2022-07-12 | 一种战场环境知识表示方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238008A true CN115238008A (zh) | 2022-10-25 |
Family
ID=83673078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210818898.8A Pending CN115238008A (zh) | 2022-07-12 | 2022-07-12 | 一种战场环境知识表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238008A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186294A (zh) * | 2023-04-28 | 2023-05-30 | 浙江大学 | 一种基于超图的智能工厂元宇宙知识表示方法及其应用 |
CN117150381A (zh) * | 2023-08-07 | 2023-12-01 | 中国船舶集团有限公司第七〇九研究所 | 一种目标功能群识别及其模型训练方法 |
-
2022
- 2022-07-12 CN CN202210818898.8A patent/CN115238008A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186294A (zh) * | 2023-04-28 | 2023-05-30 | 浙江大学 | 一种基于超图的智能工厂元宇宙知识表示方法及其应用 |
CN116186294B (zh) * | 2023-04-28 | 2023-08-18 | 浙江大学 | 一种基于超图的智能工厂元宇宙知识表示方法及其应用 |
CN117150381A (zh) * | 2023-08-07 | 2023-12-01 | 中国船舶集团有限公司第七〇九研究所 | 一种目标功能群识别及其模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zuiev et al. | Development of complex methodology of processing heterogeneous data in intelligent decision support systems | |
Shyshatskyi et al. | Complex Methods of Processing Different Data in Intellectual Systems for Decision Support Systems | |
CN115238008A (zh) | 一种战场环境知识表示方法 | |
CN104462190A (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
Wang et al. | A novel deep learning‐based single shot multibox detector model for object detection in optical remote sensing images | |
CN113449736B (zh) | 一种基于深度学习的摄影测量点云语义分割方法 | |
Zhang et al. | City2vec: Urban knowledge discovery based on population mobile network | |
CN115114455A (zh) | 一种基于本体的多粒度城市暴雨内涝知识图谱构建方法 | |
Dai et al. | Spatio-temporal deep learning framework for traffic speed forecasting in IoT | |
Pasquinelli | The spike: On the growth and form of pattern police | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
Li et al. | Online real-time trajectory analysis based on adaptive time interval clustering algorithm | |
Jin et al. | Association rules redundancy processing algorithm based on hypergraph in data mining | |
Liu et al. | Landslide susceptibility mapping with the fusion of multi-feature SVM model based FCM sampling strategy: A case study from Shaanxi Province | |
Li et al. | Terrain visualization information integration in agent-based military industrial logistics simulation | |
CN115796331A (zh) | 基于多模态城市知识图谱的城市资源预测方法及系统 | |
Li | GeoAI and deep learning | |
Lin et al. | The application of deep generative models in urban form generation based on topology: a review | |
CN111339446B (zh) | 一种兴趣点挖掘方法、装置、电子设备和存储介质 | |
Zhou | GeoAI-Enhanced Techniques to Support Geographical Knowledge Discovery from Big Geospatial Data | |
Kumar et al. | UFS-LSTM: unsupervised feature selection with long short-term memory network for remote sensing scene classification | |
Wang et al. | Exploring Classification Capability of CNN Features | |
Leng et al. | Spatial analysis and simulation | |
Li et al. | Construction of a Visual Saliency Model for Neighborhood Building Landmarks Based on K‐Means Clustering | |
Kadiyam | Crime rate prediction from street view images using convolutional neural networks and transfer learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |