CN115757828B - 一种基于辐射源知识图谱的空中目标意图识别方法 - Google Patents

Abstract

本发明公开了一种基于辐射源知识图谱的空中目标意图识别方法，包括获取专家辐射源数据和采集仿真辐射源数据；计算仿真辐射源数据的目标参数；构建辐射源知识图谱本体；基于辐射源知识图谱本体抽取辐射源知识；对抽取得到的辐射源知识进行融合和加工；训练知识图谱嵌入模型；计算目标属性特征的聚合表示；预测函数输出目标意图概率；通过对预测函数和知识图谱嵌入模型联合目标学习实现基于辐射源知识图谱的空中目标意图识别优化。显著提高了空中目标的意图识别准确率，提升了意图识别结果的可解释性。

Description

一种基于辐射源知识图谱的空中目标意图识别方法

技术领域

本发明属于空中目标意图识别技术领域，具体涉及一种基于辐射源知识图谱的空中目标意图识别方法。

背景技术

随着无人机技术的发展，空中电磁环境愈加复杂，各种传感器探测的辐射源数据呈现多变性、欺骗性、对抗性等特点，意图识别是结合场景的各方面力量的部署情况、外部环境条件等因素判断并解释目标的行动意图。

近年来，目标意图识别的方法主要有模板匹配、贝叶斯网络、机器学习等方法，并在不同的场景中得到了应用。杨雨田等人发表的论文“基于EMEBN的空中目标战术意图识别方法”(火力与指挥控制,2022,47(05)：163-170.)中提出基于扩展多实体贝叶斯网络的战术意图识别模型构建方法，能够很好的结合专家经验知识和规则处理不确定的信息，但是只利用专家先验知识导致意图识别的主观性较强，而且不能充分地聚合目标的特征属性。知识图谱技术因其强大的语义表征能力和推理能力在意图识别任务中得到应用，公开号为CN114443860A的专利公开了一种基于知识图谱的船舶意图识别与推理方法及系统，这种方法利用获取的知识构建船舶意图知识图谱，对传感器数据处理后传入知识图谱中进行实体和属性识别，通过路径推理出船舶意图，并对知识图谱进行修正和补全。这种方法在一定程度上利用了知识图谱这个动态知识库对船舶进行意图识别，但是利用知识图谱路径的方法并不能充分地考虑目标的特征属性来进行意图识别，而且没有关注到每一种目标属性的重要性是不一样的，导致意图识别的准确性不高和可解释性较差。

因此，为充分利用专家知识和探测数据进行目标的意图识别，利用知识图谱的推理能力和挖掘隐藏关系的能力，实现更精准、具有可解释性的目标意图识别，亟需开发新的基于知识图谱的空中目标意图识别方案。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于辐射源知识图谱的空中目标意图识别方法，利用知识图谱的推理能力和挖掘隐藏关系的能力，将知识图谱技术应用到目标意图识别中，对目标的属性特征聚合表征，显著提高了空中目标的意图识别准确率，提升了意图识别结果的可解释性，解决海量复杂电磁辐射源数据下隐藏关系难以获取，空中各种电磁辐射源信号构成的复杂电磁条件所导致空中目标意图精确识别困难问题。

为实现上述技术目的，本发明采取的技术方案为：

一种基于辐射源知识图谱的空中目标意图识别方法，包括：

步骤1、获取专家辐射源数据和采集仿真辐射源数据；

步骤2、计算仿真辐射源数据的目标参数；

步骤3、基于目标参数和专家辐射源数据构建辐射源知识图谱本体；

步骤4、基于辐射源知识图谱本体抽取辐射源知识；

步骤5、对抽取得到的辐射源知识进行融合和加工；

步骤6、采用融合和加工后的辐射源知识训练知识图谱嵌入模型；

步骤7、计算目标属性特征的聚合表示；

步骤8、基于所述聚合表示计算目标与意图的相似度得分，输出目标意图概率。

步骤9、通过对预测函数和知识图谱嵌入模型联合目标学习实现基于辐射源知识图谱的空中目标意图识别优化。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤1所述专家辐射源数据包括关联数据、数据库、表格、文本、开源网页资料；

所述仿真辐射源数据包括主动传感器获取的回波数据和被动传感器获取的辐射源数据。

上述的步骤2所述目标参数包括目标数量、目标速度、目标高度、目标RCS、信号的接入方式、载波频率、带宽、调制方式；

其中，目标数量、目标速度、目标高度、目标RCS通过主动传感器获取的回波数据计算；

信号的接入方式、载波频率、带宽、调制方式通过被动传感器探测的辐射源数据确定。

上述的步骤3先建立信号、目标、目标属性和意图的本体，然后在此本体基础上建立各类更细粒度的本体。

上述的步骤4所述基于辐射源知识图谱本体抽取辐射源知识具体为：

对于结构化数据，直接提取实体、关系和属性；

对于半结构化数据，直接进行实体抽取、关系抽取、属性抽取；

对于非结构化数据，采用基于BERT的实体和关系抽取方案进行知识抽取。

上述的步骤5对来源不同的辐射源知识进行融合对齐：

采用基于翻译模型嵌入的实体对齐方法，将实体、关系和属性映射成向量，然后利用向量相似度度量，进行实体对齐；

对齐后去除非相关知识，舍弃置信度较低的知识。

上述的步骤6所述知识图谱嵌入模型采用TransR，对于给定的三元组(h，r，t)，其似然性得分公式如下：

TransR采用负采样的方法进行训练：

上述的步骤7对于一个空中目标实体h，通过线性加权的方法来聚合来自一阶邻居属性的信息：

其中，为目标属性特征的聚合表示；

上述的步骤8通过如下预测函数输出目标s的意图是i的概率，即目标与意图的相似度得分公式为：

其中，为目标属性特征的聚合表示；

所述预测函数采用如下贝叶斯个性化排序损失进行训练：

其中，T＝{(s,i,i^-)|(s,i)∈T⁺,(s,i^-)∈T^-}表示训练集；

T⁺表示目标s和真实意图i；

T^-是非真实意图集。

上述的预测函数与知识图谱嵌入模型的联合目标学习函数如下：

L_total＝L_embedding+L_BPR

L_embedding为知识图谱嵌入模型的训练损失函数。

本发明具有以下有益效果：

1、本发明构建了辐射源知识图谱，相比于传统的数据库，融合了多源的异构知识，使得知识更加全面且具备推理出隐藏关系的能力。

2、本发明设计的基于辐射源知识图谱的空中目标意图识别方法，相比于传统的意图识别方法，能够综合利用辐射源知识图谱和仿真探测数据进行空中目标意图识别，能够更合理、更准确地分析空中目标意图，具有较高的实用性。

3、本发明设计的聚合空中目标的属性特征算法，相比与传统的基于专家规则的意图识别算法，减少了人为主观意识的影响，显著提高了空中目标意图识别的准确率，设计的注意力机制也提升了识别结果的准确率。

4、本发明利用知识图谱的推理能力和挖掘隐藏关系的能力，将知识图谱技术应用到目标意图识别任务中，综合利用专家数据和采集数据，对目标的属性特征聚合表征，更加全面、准确地评估空中目标的战术意图，显著提高空中目标的意图识别准确率和可解释性。解决了现有意图识别方法只利用专家知识导致的意图识别主观性较强，识别准确率较低，不能充分融合作战目标的属性特征等问题。

附图说明

图1是本发明的流程图；

图2是本发明的知识图谱构建框架图；

图3是本发明的意图识别框架图；

图4是本发明的构建的辐射源知识图谱图；

图5是本发明仿真的反蜂群无人机场景；

图6是本发明的基于辐射源知识图谱的目标意图识别效果图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

如图1所示，本发明一种基于辐射源知识图谱的空中目标意图识别方法，包括：

步骤1，获取专家辐射源数据和采集仿真辐射源数据；

辐射源知识图谱的构建首先需要获取数据，有两个数据来源：

一个数据来源是专家知识，需要从繁杂的电磁环境的各类资料中，提取相关的描述性信息，辐射源数据按照不同的结构类型进行划分，其中结构化数据包括关联数据、数据库、openkg知识图谱库；半结构化数据包括信息框、列表、表格等；非结构化数据包括文本、开源网页等；

另一个数据来源是场景仿真的采集数据，场景仿真数据由我方的主动传感器和被动传感器获取，主动传感器工作在S波段，接收到回波信息，被动传感器能够接收对方的辐射源信号数据。

步骤2，计算仿真辐射源数据的目标参数；

得到场景仿真的数据后，需要计算辐射源相关的目标参数：

由主动传感器的回波数据，计算出目标数量、目标速度、目标高度、目标RCS；

由被动传感器探测的辐射源数据，分别用相关算法得到信号的接入方式、载波频率、带宽、调制方式，如果是干扰信号，计算干扰类型。

步骤3，基于目标参数和专家辐射源数据构建辐射源知识图谱本体；

如图2所示，为了完成意图识别任务，需要先建立信号、目标、目标属性、意图等领域本体，在此基础上建立各类更细粒度的本体。在仿真无人机蜂群干扰的场景下，意图识别的规则与无人机的辐射源行为和轨迹等参数有关。而这些参数统一传输进意图识别模块进行意图识别，如：雷达输出的目标数、目标距离、目标方位、俯仰角、相对航向、相对速度和RCS还有无人机集群的轨迹规律，飞行队形等等。

步骤4，基于辐射源知识图谱本体抽取辐射源知识；

本发明提出了从结构化辐射源数据、半结构化辐射源数据、非结构化辐射源数据中进行知识提取的多策略协同的构建技术。

对于结构化数据，例如从网站(http：//www.openkg.cn/)上下载的知识图谱，直接提取实体、关系和属性，比如无人机的型号、尺寸、飞行高度、飞行距离、飞行速度、飞行功率、RCS等；

对于半结构化数据，例如说一般的专家知识，直接进行实体抽取、关系抽取、属性抽取。半结构化数据中的信息放入背景知识类，对于各种辐射源信号的参数，例如北斗导航信号、GPS导航信号、通信信号的载波频率、频段、调制方式、工作时间；各种辐射源干扰信号的参数、干扰类型、抗干扰的技术等都作为知识图谱里面的实体。对于实时信息类，一般包括信号的个数、背景噪声功率、电磁波功率，空闲频段、频段使用率。对于单个信号类，一般包括信号的频段、调制方式、信号定位、异常类型。

对于非结构化数据，采用基于BERT的实体和关系抽取方案。采用序列标注方法预测实体标签实现三元组抽取，最后得到实体和关系的匹配三元组。

步骤5，对抽取得到的辐射源知识进行融合和加工；

获得抽取的三元组之后，需要对来源不同的辐射源知识进行融合对齐。

本发明采用基于翻译模型嵌入的实体对齐方法，TransE模型理论基础充分且易于实现，能够处理多个小规模的知识图谱的实体对齐，将实体、关系和属性映射成向量，然后利用向量相似度度量，进行实体对齐。TransE将一个关系解释为从它的头部到尾部的翻译(h+r≈t)，因此实体嵌入也具有平移不变性使用随机梯度下降法训练损失函数。

对齐后需要去除非相关知识，舍弃置信度较低的知识，对构建的知识图谱进行补全，更新，使知识关联更加紧密、更具价值。

步骤6，采用融合和加工后的辐射源知识训练知识图谱嵌入模型；

本发明知识图谱嵌入模型采用TransR，它通过优化翻译原则h+r＝t来学习嵌入每个实体和关系，如果图中存在三元组(h，r，t)。这里e_h，e_r和e_t分别是h，t，r的嵌入；因此，对于给定的三元组(h，r，t)，其似然性得分公式如下：

其中，是2-范数运算，W_r是关系r的变换矩阵，它将实体从d维实体空间投射到k维关系空间。

f(h,r,t)的分数越低，说明这个三元组更有可能是真的，反之亦然。

采用负采样的方法对TransR进行训练：

其中，(h,r,t^-)是通过随机替换有效三元组中的一个实体而构造的无效三元组；σ是sigmoid激活函数。

通过优化TransR的损失函数来学习三元组的嵌入表示，使正确的三元组获得较低的损失。

步骤7，计算目标属性特征的聚合表示；

受到推荐系统的启发，空中目标意图识别，将空中目标看作是用户，该目标的特征属性看作是用户交互过的商品。

识别空中目标的意图与该目标的属性相关，例如空中目标的类型、数量、与我方的距离、飞行速度和高度、雷达反射面积RCS、信号类型、调制方式、频率和带宽等，需要融合这些属性作为该作战目标的特征表示，由于在场景中，每一种属性的重要性不是完全相同的，所以设计了一种注意力机制，来给每个属性添加一个注意力，注意力值越高表示该属性越重要。

对于一个空中目标实体h，用N_h＝{(h,r,t)|(h,r,t)∈G}表示以h为头实体的三元组集合。为了表征实体h，通过线性加权的方法来聚合来自一阶邻居的信息：

其中，α(h,r,t)为控制边r上每个传播的衰减因子，表明从t到h的信息有多少以关系r为条件传播的。

通过关系注意机制实现α(h,r,t)，具体表述如下：

α(h,r,t)＝(e_tW_r)tanh(W_re_h+e_r)，

其中，tanh是非线性激活函数。

最后，采用softmax函数对所有与实体h相连的三元组的注意力进行归一化：

因此，注意力权重表明了哪些属性节点信息在信息传播中是主要关注的，这使得意图识别具有解释性。

步骤8，基于目标属性特征的聚合表示计算目标与意图的相似度得分，输出目标意图概率；

如图3所示，本发明得到目标s的1阶属性特征聚合表示，i表示意图的嵌入向量，最后通过预测函数输出目标s的意图是i的概率，即目标与意图的相似度得分公式为：

其中⊙表示向量点积。

为了优化意图识别模型，选择贝叶斯个性化排序(BPR)损失进行训练。具体来说，其假设空中目标真实的意图，应该分配比非真实意图更高的预测值：

其中，T＝{(s,i,i^-)(s,i)∈T⁺,(s,i^-)∈T^-}表示训练集，T⁺表示目标s和真实意图i，T^-是非真实意图集。

步骤9，通过对预测函数和知识图谱嵌入模型联合目标学习实现基于辐射源知识图谱的空中目标意图识别优化。

本发明的联合目标学习函数如下：

L_total＝L_embedding+L_BPR

下面结合仿真实验对本发明的效果做进一步说明。

1、反蜂群无人机仿真场景如图5所示，具体描述如下：

阶段一：一架搭载无人机的平台从远处进入，飞行高度800m，飞行速度100m/s，在10km处抛撒无人机，其后返航。

阶段二：无人机蜂群飞行速度60m/s，高度800m，导航引导下以似一字型编队向我方移动，无人机突至2km，变换队形，分成6个子群(侦察群2个，诱饵群1个，干扰群2个，反辐射群1个)；开展侦察、电磁干扰、反辐射等任务。我方通过主动传感器和被动传感器获取对方空中目标的辐射源，结合辐射源知识图谱展开对空中目标的意图识别。

2、仿真内容

图4是采用本发明构建的辐射源知识图谱，通过实体抽取和关系抽取知识后得到三元组，调用neo4j软件进行展示，辐射源知识图谱能够辅助目标意图识别任务，另外知识图谱具有很强的扩展性，支持三元组的添加、修改和删除，可以更新目标的意图识别结果。

图6是采用本发明的基于辐射源知识图谱的目标意图预测效果图。软件显示当前时间空中目标的预测意图，推理链是调用知识图谱中目标的属性特征。随着场景演示，意图识别结果分别为目标继续进入、目标继续远离、无人机群分群、侦察群侦察、干扰群干扰、诱饵群进入。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (8)

1.一种基于辐射源知识图谱的空中目标意图识别方法，其特征在于，包括：

步骤1、获取专家辐射源数据和采集仿真辐射源数据；

步骤2、计算仿真辐射源数据的目标参数；

步骤3、基于目标参数和专家辐射源数据构建辐射源知识图谱本体；

步骤4、基于辐射源知识图谱本体抽取辐射源知识；

步骤5、对抽取得到的辐射源知识进行融合和加工；

步骤6、采用融合和加工后的辐射源知识训练知识图谱嵌入模型；

步骤7、计算目标属性特征的聚合表示；

步骤8、基于所述聚合表示计算目标与意图的相似度得分，预测函数输出目标意图概率；

步骤9、通过对预测函数和知识图谱嵌入模型联合目标学习实现基于辐射源知识图谱的空中目标意图识别优化；

所述步骤7对于一个空中目标实体h，通过线性加权的方法来聚合来自一阶邻居属性的信息：

其中，为目标属性特征的聚合表示；

N_h＝{(h,r,t)|(h,r,t)∈G}表示以h为头实体的三元组集合；

α(h,r,t)为控制边r上每个传播的衰减因子，表明从t到h的信息有多少以关系r为条件传播的；

所述步骤8通过如下预测函数输出目标s的意图是i的概率，即目标与意图的相似度得分公式为：

其中，为目标属性特征的聚合表示；

⊙表示向量点积；

所述预测函数采用如下贝叶斯个性化排序损失进行训练：

其中，σ是sigmoid激活函数，T＝{(s,i,i^-)|(s,i)∈T⁺,(s,i^-)∈T^-}表示训练集；

T⁺表示目标s和真实意图i；

T^-是非真实意图集。

2.根据权利要求1所述的一种基于辐射源知识图谱的空中目标意图识别方法，其特征在于，步骤1所述专家辐射源数据包括关联数据、数据库、表格、文本、开源网页资料；

所述仿真辐射源数据包括主动传感器获取的回波数据和被动传感器获取的辐射源数据。

3.根据权利要求1所述的一种基于辐射源知识图谱的空中目标意图识别方法，其特征在于，步骤2所述目标参数包括目标数量、目标速度、目标高度、目标RCS、信号的接入方式、载波频率、带宽、调制方式；

其中，目标数量、目标速度、目标高度、目标RCS通过主动传感器获取的回波数据计算；

信号的接入方式、载波频率、带宽、调制方式通过被动传感器探测的辐射源数据确定。

4.根据权利要求1所述的一种基于辐射源知识图谱的空中目标意图识别方法，其特征在于，所述步骤3先建立信号、目标、目标属性和意图的本体，然后在此本体基础上建立各类更细粒度的本体。

5.根据权利要求1所述的一种基于辐射源知识图谱的空中目标意图识别方法，其特征在于，步骤4所述基于辐射源知识图谱本体抽取辐射源知识具体为：

对于结构化数据，直接提取实体、关系和属性；

对于半结构化数据，直接进行实体抽取、关系抽取、属性抽取；

对于非结构化数据，采用基于BERT的实体和关系抽取方案进行知识抽取。

6.根据权利要求1所述的一种基于辐射源知识图谱的空中目标意图识别方法，其特征在于，所述步骤5对来源不同的辐射源知识进行融合对齐：

采用基于翻译模型嵌入的实体对齐方法，将实体、关系和属性映射成向量，然后利用向量相似度度量，进行实体对齐；

对齐后去除非相关知识，舍弃置信度较低的知识。

7.根据权利要求1所述的一种基于辐射源知识图谱的空中目标意图识别方法，其特征在于，步骤6所述知识图谱嵌入模型采用TransR，对于给定的三元组(h，r，t)，其似然性得分公式如下：

其中，e_h，e_r和e_t分别是h，r，t的嵌入；

是2-范数运算；

W_r是关系r的变换矩阵，其将实体从d维实体空间投射到k维关系空间；

f(h,r,t)的分数越低，说明对应的三元组更有可能是真的，反之亦然；

TransR采用负采样的方法进行训练：

其中，G表示知识图谱三元组，(h,r,t)是有效三元组；

(h,r,t^-)是通过随机替换有效三元组中的一个实体而构造的无效三元组；

σ是sigmoid激活函数。

8.根据权利要求1所述的一种基于辐射源知识图谱的空中目标意图识别方法，其特征在于，所述步骤9中，联合目标学习函数如下：

L_total＝L_embedding+L_BPR

L_embedding为知识图谱嵌入模型的训练损失函数；

L_BPR为预测函数的训练损失函数。