CN115878811A - 一种基于事理图谱的军事情报智能分析及推演方法 - Google Patents
一种基于事理图谱的军事情报智能分析及推演方法 Download PDFInfo
- Publication number
- CN115878811A CN115878811A CN202211350065.XA CN202211350065A CN115878811A CN 115878811 A CN115878811 A CN 115878811A CN 202211350065 A CN202211350065 A CN 202211350065A CN 115878811 A CN115878811 A CN 115878811A
- Authority
- CN
- China
- Prior art keywords
- event
- data
- information
- deduction
- events
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 9
- 230000001149 cognitive effect Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 241001272996 Polyphylla fullo Species 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 230000000750 progressive effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于事理图谱的军事情报智能分析及推演方法，属于数据处理技术领域。本发明提出了以事件为中心的情报分析与推演的思路，从事理图谱自动化构建到以事件为中心的可视化推理，针对具体流程进行了深入阐述。本发明以事件驱动的情报分析技术对战场情报数据进行综合监测与可视化分析，能够为管理者提供可视、可管、可控的军事指挥决策平台，助力用户挖掘军事情报数据价值，提高作战人员的指挥决策效率。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种基于事理图谱的军事情报智能分析及推演方法。
背景技术
军事情报数据是重要的信息来源，传统的作战数据处理，往往依赖于在人脑中进行的快速梳理与整合，形成以时间和因果关系为主的战场局势描述。然而，大量的非结构化文本数据的处理依赖人工很难保证其准确性，同时很难辅助指挥员做出快速响应。随着深度学习和自然语言处理技术的发展以及无人作战平台的大量应用，未来战场的数据处理模式将不可避免地从信息化向智能化转变。为了推动人工智能在作战领域的应用，迫切需要一种自动化、智能化方法来处理军事情报数据，挖掘隐藏关键信息及其关联关系，并通过可视化技术将其多维度的表现出来，从而辅助提升作战行动和指挥决策的效率。
面对海量的多源异构情报数据，传统的数据组织方式已无法支撑用户简单快速获取军事信息服务的要求，亟需构建一套完整的面向作战数据的事件知识体系，对异构情报数据进行统一建模。信息化战争产生的海量数据将会为情报分析提供前所未有的价值，但与此同时，如何对庞杂的数据进行整理，发掘看似“杂乱无章”的数据之间的关联，也是难点之一。信息化战争的信息形态包括一切与军事目标、作战行动等有关的事实、过程、状态信息。这些信息的数据规模大，分布范围广，数据类型多，关联关系复杂，为了有效支撑现代化战争中快速、有效信息获取的能力，需要开展复杂军事环境知识规范化表示与统一建模技术的研究。
挖掘情报数据，分析军事事件演化规律，以设计作战对抗和博弈的推演想定，实现战场态势的预测，辅助指挥员进行快速研判。当前的作战对抗推演系统的想定设计主要来源于专家知识库，而专家知识库的建立源于有经验的指挥员对战场态势的理解和抽象，但是当中缺少对历史数据的案例整编和复盘反演。当下，对军事大数据的利用依然不够充分，小规模的数据信息不足以辅助战略决策者全面快速地认知战场态势，正确地对战场形势进行决策。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何提供一种自动化、智能化方法来处理军事情报数据，挖掘隐藏关键信息及其关联关系，并通过可视化技术将其多维度的表现出来，从而辅助提升作战行动和指挥决策的效率。
(二)技术方案
为了解决上述技术问题，本发明提供了一种基于事理图谱的军事情报智能分析及推演方法，包括以下步骤：
步骤一：事理图谱自动构建
事理图谱的构建过程包括数据采集与清洗、事件逻辑抽取、多模态数据融合以及事理规则学习四部分内容；
1)数据采集与清洗；数据采集时，从数据源进行引接，并进行高并发实时采集，然后对采集的数据进行清洗，包括通过定制化数据清洗模型，去除无关内容，将待处理的文本转化为进一步分析所需要的输入格式数据；
2)事件逻辑抽取；构建Wasserstein生成式对抗网络模型针对清洗后的数据，对主题事件、属性和逻辑关系进行自动抽取，形成逻辑关系嵌入向量，以挖掘现实世界中的事理知识信息；
3)多模态数据融合；通过使用多模态联合网络化合成表示将所抽取的不同来源、不同手段、不同结构的数据进行统一的表征与管理，得到多模态统一表征网络；
4)事件规则学习；事件规则学习是面向所述多模态统一表征网络，通过一定的认知推理方法，挖掘事件网络模型之间的逻辑关系，从而使得网络以人类认知理解方式进行推理，实现事件认知图谱的应用；
在事件规则学习过程中，针对多模态统一表征网络，首先使用Transformer的编码器结构提取文本的嵌入向量，使用CNN方法提取图像的嵌入向量，形成事件图谱的嵌入向量，然后融合事件逻辑抽取的逻辑关系嵌入向量，形成多模态嵌入表征，从而完成异构网络模型间的语义及时空关联，实现事理规则的学习及推理，得到多模态事理图谱，多模态事理图谱包含图片、文本含有的事件、实体信息以及事件之间的逻辑关系；
步骤二：以事件为中心的演化推断
基于所构建的多模态事理图谱，通过对历史事件的复盘分析，将实战数据进行多方位的仿真推演，形成仿真推演模型，仿真推演过程包括战场环境、兵力部署、作战能力、动态目标这些关键要素信息的推演；
通过结合事件信息及推演过程得到的战场环境、兵力部署、作战能力、动态目标这些关键要素，并引入时间维度信息，构建时序事件图谱，在时序事件图谱的基础上，根据客观实体和事件建立事件表征模型，事件表征模型中包含事件的基本要素以及影响事件发展的关键要素，然后将历史案例拟合结果与真实结果对比，优化所述仿真推演模型，最后预测出未来事件的不同发展趋势；
其中，通过结合步骤一得到的多模态事理图谱、所述时序事件图谱的方式进行事件推理预测；
首先应用多模态事理图谱进行推理：对于发生的新事件，计算其与多模态事理图谱中各个节点的相似度，找到多模态事理图谱中与该新事件最相似的节点；然后，根据与新事件最相似的节点在多模态事理图谱中的泛化节点，进而推演该新事件基于多模态事理图谱的后续的演化方向；
在完成基于多模态事理图谱的推理后，根据时序事件图谱，将对未来事件预测的任务，抽象为对时序事件图谱未来状态的推理任务，其中，通过对历史事件信息进行循环编码、对时序事件图谱中的相邻事件的信息进行聚合，通过聚合的历史事件、时序相邻事件以及同时发生事件，推断出关于所有事件的联合概率分布，从而预测未来事件发生的概率；
最终，对于基于多模态事理图谱和时序事件图谱的事件推理结果，通过概率融合的方式获取最终的事件推理结果。
优选地，步骤一进行多模态数据融合时，首先使用深度游走将事理节点视为概念，并利用截断的随机游走序列来表示一个节点的近邻，然后将词嵌入模型应用于所得到的序列，从而得到事件节点的网络表示；当面对多模态数据构成的异构网络时，先为每种模态构建一个特征表示；最后将多模态数据的特征表示映射到相同维度的空间，最终实现异构网络的融合，得到多模态统一表征网络。
优选地，步骤一在所述Wasserstein生成式对抗网络模型的构建过程中，采用双向LSTM结构构建一个生成器和一个判别器，所述生成器包括用于事理和逻辑抽取的基本模型及增强模型，除了输入已采集的带标签的军事数据外，还引入外部资源进行解释补充，生成事件及关系的标签概率分布，所述判别器用于为生成器的生成质量打分，对生成器进行反馈，从而使得生成器可根据反馈信息更新梯度，以进一步提升标签概率的质量。
优选地，步骤一为每种模态构建一个特征表示的过程中，文本数据通过TF-IDF方法输出向量表示，图片数据通过卷积网络的处理后再通过全连接层得到向量表示。
优选地，步骤二中，战场环境信息的推演是指通过加载多类型的影像图、矢量数据、GIS地图获取气象、水文这些海上环境信息；兵力部署及作战能力信息的推演是通过技侦数据获取双方装备数量、具体位置、航速参数，经过装备数据库匹配，获取响应装备实体的具体参数信息，并添加到作战场景中；动态目标信息的推演包括获取目标的状态、属性、意图信息。
优选地，步骤二中，通过事件推理智能算法优化所述仿真推演模型，所述事件推理智能算法通过对兵力部署、作战能力、动态目标、战场环境的综合运用，实现对已发生事件作战环节的动态交互式仿真推演以及针对战场态势的多角度评估，确定敌方兵力结构、部署、行动方向与路线的估计，识别出敌军的作战风格，推断出敌军的作战意图，对当前战场情景做出合理分析，并对未来时刻的态势变化做出预测，最终建立作战活动、事件、时间、位置和兵力要素组织形成的战场综合态势图。
优选地，所述逻辑关系包括顺承、转折、因果、递进、关联、解释。
优选地，所述词嵌入模型为Word2Vec模型。
优选地，步骤一中的数据采集与清洗过程中，还根据军事信息处理的总体目标、任务情境、研究对象，列出需求清单，并制定评估方案和指标体系。
本发明还提供了一种用于实现所述方法的推演系统。
(三)有益效果
本发明提出了以事件为中心的情报分析与推演的思路，从事理图谱自动化构建到以事件为中心的可视化推理，针对具体流程进行了深入阐述。本发明以事件驱动的情报分析技术对战场情报数据进行综合监测与可视化分析，能够为管理者提供可视、可管、可控的军事指挥决策平台，助力用户挖掘军事情报数据价值，提高作战人员的指挥决策效率。
附图说明
图1为本发明的军事情报分析及推演流程图；
图2为生成式对抗网络模型原理图；
图3为多模态数据联合网络化原理图；
图4为以事件为中心的演化推断流程图；
图5为脚本事件预测事件推理方法示例；
图6为结合事理图谱与时序事件图谱的事件推理原理图。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明提出了一种基于事理图谱的军事情报智能分析及推演方法。针对情报文本、开源数据、流媒体等多种来源数据特性，采用多模态网络化的合成表示方法实现对其进行统一表征，同时对其中蕴含的事件知识及逻辑关系进行提取及融合，以构建能够动态存储事件节点及关系的事理图谱网络；然后，采用图神经网络进行逻辑推理，优化图谱网络的结构及参数，解决事理图谱补全及去噪等问题，完善事理图谱构建；最终达到为战场各领域的多模态数据进行综合监测与可视化分析的应用，构建辅助军事决策的推演及仿真平台的目的。参考图1，该方法的流程主要包括事理图谱自动构建、以事件为中心的演化推断和综合应用三步。
过程一：事理图谱自动构建
事理图谱的构建过程主要包括数据采集与清洗、事件逻辑抽取、多模态数据融合以及事理规则学习四部分内容。
1)数据采集与清洗。数据采集在军事信息处理链条中处于基础环节，除了按照传统方式从公文数据、技侦部队、航空航天部队等数据源进行引接外，更注重高并发实时采集数据，评估数据的规模、时效性、真伪性。同时明确军事信息处理的总体目标、任务情境、研究对象，列出需求清单，并制定评估方案和指标体系。数据集的清洗过程包括通过定制化数据清洗模型，去除停用词和符号等无关内容，将待处理的文本转化为进一步分析所需要的数据输入格式。
2)事件逻辑抽取。采用Wasserstein生成式对抗网络模型针对清洗后的数据，对主题事件、属性和逻辑关系(包括顺承、转折、因果、递进、关联、解释等)进行自动抽取，形成逻辑关系嵌入向量，以挖掘现实世界中的事理知识信息。参考图2，在Wasserstein生成式对抗网络模型的构建过程中，采用双向LSTM结构构建一个生成器和一个判别器，所述生成器包括用于事理和逻辑抽取的基本模型及增强模型，除了输入已采集的带标签军事数据外，还引入外部资源进行解释补充，生成事件及关系的标签概率分布，所述判别器则为生成器的生成质量打分，对生成器进行反馈，从而使得生成器可以根据反馈信息更新梯度，以进一步提升标签概率的质量。
3)多模态数据融合。多源异构数据融合是军事数据的固有特征之一，需通过使用多模态联合网络化合成表示将所抽取的不同来源、不同手段、不同结构的数据进行统一的表征与管理。具体地，如图3所示，多模态数据融合首先使用深度游走(Deepwalk)将事理节点视为概念，并利用截断的随机游走(Randomwalk)序列来表示一个节点的近邻，然后将Word2Vec等词嵌入模型应用于所得到的序列，从而得到事件节点的网络表示；当面对多模态数据构成的异构网络时，可先为每种模态构建一个特征表示，例如，文本数据可通过TF-IDF方法输出向量表示、图片数据可通过卷积网络的处理后再通过全连接层得到向量表示；最后将多模态数据的特征表示映射到相同维度的空间，最终实现异构网络的融合，得到多模态统一表征网络。
4)事件规则学习。事件规则学习是面向多模态统一表征网络，通过一定的认知推理方法，充分挖掘事件网络模型之间的逻辑关系，从而使得网络以人类认知理解方式进行推理，实现事件认知图谱的广泛应用。具体地，针对多模态统一表征网络，首先使用Transformer的编码器结构提取文本的嵌入向量，使用CNN方法提取图像的嵌入向量，形成事件图谱的嵌入向量，然后融合事件逻辑抽取的逻辑关系嵌入向量(事件图谱的嵌入向量表示的是图片、文本的向量化；逻辑关系嵌入向量是指各个图片、文本之间的关联关系的向量化)，形成多模态嵌入表征(多模态嵌入表征就是将前两个向量进行融合，这样既有图片、文本本身的信息，也有各个图片、文本之间的关联关系的信息)，从而完成异构网络模型间的语义及时空等关联，实现事理规则的学习及推理，得到多模态事理图谱，多模态事理图谱包含了图片、文本等数据含有的事件、实体等信息以及事件之间的逻辑关系。
过程二：以事件为中心的演化推断
为了提升整体作战能力，可基于所构建的多模态事理图谱，通过对历史事件的复盘分析，借助数字地球等现代化技术，将实战数据进行多方位的仿真推演，形成仿真推演模型，推演过程主要考虑战场环境、兵力部署、作战能力、动态目标等关键要素信息的推演。其中战场环境信息的推演主要是指通过加载多类型的影像图、矢量数据、GIS地图获取气象、水文等海上环境信息。兵力部署及作战能力信息的推演主要通过技侦数据获取双方装备数量、具体位置、航速及其他参数，经过装备数据库匹配，获取响应装备实体的具体参数信息，并添加到作战场景中。动态目标信息的推演主要包括获取目标的状态、属性、意图信息。
通过结合事件信息及上面推演过程得到的战场环境、兵力部署、作战能力、动态目标等关键要素，并引入时间维度信息，便可构建时序事件图谱。在时序事件图谱的基础上，拟采用趋势-仿真推理预测法，趋势-仿真推理预测法中，根据客观实体和事件建立事件表征模型，事件表征模型中包含了事件的基本要素以及影响事件发展的关键要素，然后结合历史案例拟合结果与真实结果对比，通过事件推理智能算法优化所述仿真推演模型，最后预测出未来事件的不同发展趋势。如图5所示，传统事件推理方法主要采用脚本事件预测的方法，通过将上下文信息构建为多个结构化形式的事件，然后通过对候选事件列表进行选择，实现对后续可能发生事件的推理。但脚本事件预测过程中需要人工制定完善的事件脚本，无法预测到脚本中未出现的事件类型。
为了克服脚本事件预测方法的局限性，可以通过结合(过程一得到的)多模态事理图谱、所述时序事件图谱的方式进行事件推理预测。
如图6所示，在应用过程中，首先应用多模态事理图谱(图6左上部分)进行推理：对于发生的新事件，计算其与多模态事理图谱中各个节点的相似度，找到多模态事理图谱中与该新事件最相似的节点；然后，根据与新事件最相似的节点在多模态事理图谱中的泛化节点，进而推演该新事件基于多模态事理图谱的后续的演化方向。
在完成基于多模态事理图谱的推理后，根据时序事件图谱，采用基于循环事件网络的事件预测技术，将对未来事件预测的任务，抽象为对时序事件图谱未来状态的推理任务。具体地，通过对历史事件信息进行循环编码、对时序事件图谱中的相邻事件的信息进行聚合。通过聚合的历史事件、时序相邻事件以及同时发生事件等多种信息，推断出关于所有事件的联合概率分布，从而预测未来事件发生的概率。
最终，对于基于多模态事理图谱和时序事件图谱的事件推理结果，通过概率融合的方式获取最终的事件推理结果。
上述事件推理智能算法，可通过对兵力部署、作战能力、动态目标、战场环境等要素的综合运用，实现对已发生事件作战环节的动态交互式仿真推演以及针对战场态势的直观、多角度评估，确定敌方兵力结构、部署、行动方向与路线的估计，识别出敌军的作战风格，推断出敌军的作战意图，对当前战场情景做出合理分析，并对未来时刻的态势变化做出预测，最终建立作战活动、事件、时间、位置和兵力要素等组织形成的战场综合态势图，从而辅助指挥员提前部署兵力，提升决策水平。
过程三：综合应用
多源异构情报数据建模是军事大数据理解与挖掘的基础，也是对军事知识提取的关键。通过对多源异构海量情报数据全生命周期的分析，依据数据“解析-表征-标注”的技术思路，实现对数据的统一建模以及事理图谱自动构建。以“事件”为中心进行演化推断，快速整理与理解数据需求，构建军事事件知识体系；以海量开源数据和专家知识为支撑，通过对海量多源异构信息的融合关联与知识的挖掘分析，实现数据的有效整合和知识的抽取关联。
例如，面向某特定专题的事件关联提取，基于本发明的军事情报智能分析及推演方法实现的综合应用平台将聚焦动态事件及其关联关系，并以时间轴的方式形式化表达事件的发展脉络。通过点击具体事件，可查看该事件的详细发展过程，其中“事件情报源数据”专栏可以对该特定事件的相关原始文电、图像等原始数据进行预览展示；“装备库源数据”专栏可以对事件涉及的装备、部队等结构化参数信息进行展示，从而形成覆盖事件的全领域、全流程、全要素的知识体系。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于事理图谱的军事情报智能分析及推演方法，其特征在于，包括以下步骤：
步骤一：事理图谱自动构建
事理图谱的构建过程包括数据采集与清洗、事件逻辑抽取、多模态数据融合以及事理规则学习四部分内容；
1)数据采集与清洗；数据采集时，从数据源进行引接，并进行高并发实时采集，然后对采集的数据进行清洗，包括通过定制化数据清洗模型，去除无关内容，将待处理的文本转化为进一步分析所需要的输入格式数据；
2)事件逻辑抽取；构建Wasserstein生成式对抗网络模型针对清洗后的数据，对主题事件、属性和逻辑关系进行自动抽取，形成逻辑关系嵌入向量，以挖掘现实世界中的事理知识信息；
3)多模态数据融合；通过使用多模态联合网络化合成表示将所抽取的不同来源、不同手段、不同结构的数据进行统一的表征与管理，得到多模态统一表征网络；
4)事件规则学习；事件规则学习是面向所述多模态统一表征网络，通过一定的认知推理方法，挖掘事件网络模型之间的逻辑关系，从而使得网络以人类认知理解方式进行推理，实现事件认知图谱的应用；
在事件规则学习过程中，针对多模态统一表征网络，首先使用Transformer的编码器结构提取文本的嵌入向量，使用CNN方法提取图像的嵌入向量，形成事件图谱的嵌入向量，然后融合事件逻辑抽取的逻辑关系嵌入向量，形成多模态嵌入表征，从而完成异构网络模型间的语义及时空关联，实现事理规则的学习及推理，得到多模态事理图谱，多模态事理图谱包含图片、文本含有的事件、实体信息以及事件之间的逻辑关系；
步骤二：以事件为中心的演化推断
基于所构建的多模态事理图谱，通过对历史事件的复盘分析，将实战数据进行多方位的仿真推演，形成仿真推演模型，仿真推演过程包括战场环境、兵力部署、作战能力、动态目标这些关键要素信息的推演；
通过结合事件信息及推演过程得到的战场环境、兵力部署、作战能力、动态目标这些关键要素，并引入时间维度信息，构建时序事件图谱，在时序事件图谱的基础上，根据客观实体和事件建立事件表征模型，事件表征模型中包含事件的基本要素以及影响事件发展的关键要素，然后将历史案例拟合结果与真实结果对比，优化所述仿真推演模型，最后预测出未来事件的不同发展趋势；
其中，通过结合步骤一得到的多模态事理图谱、所述时序事件图谱的方式进行事件推理预测；
首先应用多模态事理图谱进行推理：对于发生的新事件，计算其与多模态事理图谱中各个节点的相似度，找到多模态事理图谱中与该新事件最相似的节点；然后，根据与新事件最相似的节点在多模态事理图谱中的泛化节点，进而推演该新事件基于多模态事理图谱的后续的演化方向；
在完成基于多模态事理图谱的推理后，根据时序事件图谱，将对未来事件预测的任务，抽象为对时序事件图谱未来状态的推理任务，其中，通过对历史事件信息进行循环编码、对时序事件图谱中的相邻事件的信息进行聚合，通过聚合的历史事件、时序相邻事件以及同时发生事件，推断出关于所有事件的联合概率分布，从而预测未来事件发生的概率；
最终，对于基于多模态事理图谱和时序事件图谱的事件推理结果，通过概率融合的方式获取最终的事件推理结果。
2.如权利要求1所述的方法，其特征在于，步骤一进行多模态数据融合时，首先使用深度游走将事理节点视为概念，并利用截断的随机游走序列来表示一个节点的近邻，然后将词嵌入模型应用于所得到的序列，从而得到事件节点的网络表示；当面对多模态数据构成的异构网络时，先为每种模态构建一个特征表示；最后将多模态数据的特征表示映射到相同维度的空间，最终实现异构网络的融合，得到多模态统一表征网络。
3.如权利要求1所述的方法，其特征在于，步骤一在所述Wasserstein生成式对抗网络模型的构建过程中，采用双向LSTM结构构建一个生成器和一个判别器，所述生成器包括用于事理和逻辑抽取的基本模型及增强模型，除了输入已采集的带标签的军事数据外，还引入外部资源进行解释补充，生成事件及关系的标签概率分布，所述判别器用于为生成器的生成质量打分，对生成器进行反馈，从而使得生成器可根据反馈信息更新梯度，以进一步提升标签概率的质量。
4.如权利要求1所述的方法，其特征在于，步骤一为每种模态构建一个特征表示的过程中，文本数据通过TF-IDF方法输出向量表示，图片数据通过卷积网络的处理后再通过全连接层得到向量表示。
5.如权利要求1所述的方法，其特征在于，步骤二中，战场环境信息的推演是指通过加载多类型的影像图、矢量数据、GIS地图获取气象、水文这些海上环境信息；兵力部署及作战能力信息的推演是通过技侦数据获取双方装备数量、具体位置、航速参数，经过装备数据库匹配，获取响应装备实体的具体参数信息，并添加到作战场景中；动态目标信息的推演包括获取目标的状态、属性、意图信息。
6.如权利要求1所述的方法，其特征在于，步骤二中，通过事件推理智能算法优化所述仿真推演模型，所述事件推理智能算法通过对兵力部署、作战能力、动态目标、战场环境的综合运用，实现对已发生事件作战环节的动态交互式仿真推演以及针对战场态势的多角度评估，确定敌方兵力结构、部署、行动方向与路线的估计，识别出敌军的作战风格，推断出敌军的作战意图，对当前战场情景做出合理分析，并对未来时刻的态势变化做出预测，最终建立作战活动、事件、时间、位置和兵力要素组织形成的战场综合态势图。
7.如权利要求1所述的方法，其特征在于，所述逻辑关系包括顺承、转折、因果、递进、关联、解释。
8.如权利要求1所述的方法，其特征在于，所述词嵌入模型为Word2Vec模型。
9.如权利要求1所述的方法，其特征在于，步骤一中的数据采集与清洗过程中，还根据军事信息处理的总体目标、任务情境、研究对象，列出需求清单，并制定评估方案和指标体系。
10.一种用于实现如权利要求1至9中任一项所述方法的推演系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211350065.XA CN115878811A (zh) | 2022-10-31 | 2022-10-31 | 一种基于事理图谱的军事情报智能分析及推演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211350065.XA CN115878811A (zh) | 2022-10-31 | 2022-10-31 | 一种基于事理图谱的军事情报智能分析及推演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115878811A true CN115878811A (zh) | 2023-03-31 |
Family
ID=85759257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211350065.XA Pending CN115878811A (zh) | 2022-10-31 | 2022-10-31 | 一种基于事理图谱的军事情报智能分析及推演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115878811A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757497A (zh) * | 2023-06-12 | 2023-09-15 | 南京航空航天大学 | 基于图类感知Transformer的多模态军事智能辅助作战决策方法 |
| CN116757221A (zh) * | 2023-06-13 | 2023-09-15 | 北京计算机技术及应用研究所 | 一种基于事件抽取的情报态势挖掘方法 |
| CN116842127A (zh) * | 2023-08-31 | 2023-10-03 | 中国人民解放军海军航空大学 | 一种基于多源动态数据的自适应辅助决策智能方法及系统 |
| CN116860442A (zh) * | 2023-06-30 | 2023-10-10 | 中国北方车辆研究所 | 一种任务驱动的自主无人装备原型系统 |
| 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 |
| CN117196354A (zh) * | 2023-11-08 | 2023-12-08 | 国网浙江省电力有限公司 | 一种多模态感知与领域图谱模型的智能决策方法 |
| CN118433043A (zh) * | 2024-05-29 | 2024-08-02 | 中国人民解放军国防科技大学 | 一种通信组网方案推演的多场景交互系统及方法 |
| CN119721257A (zh) * | 2025-02-25 | 2025-03-28 | 拓尔思信息技术股份有限公司 | 一种基于事理图谱和大模型的推演方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914569A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于融合图谱的预测方法、装置、电子设备及存储介质 |
| CN114860852A (zh) * | 2022-04-18 | 2022-08-05 | 北京计算机技术及应用研究所 | 一种面向军事领域的知识图谱构建方法 |
| CN114896387A (zh) * | 2022-01-18 | 2022-08-12 | 厦门渊亭信息科技有限公司 | 军事情报分析可视化方法、装置以及计算机可读存储介质 |
-
2022
- 2022-10-31 CN CN202211350065.XA patent/CN115878811A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914569A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于融合图谱的预测方法、装置、电子设备及存储介质 |
| CN114896387A (zh) * | 2022-01-18 | 2022-08-12 | 厦门渊亭信息科技有限公司 | 军事情报分析可视化方法、装置以及计算机可读存储介质 |
| CN114860852A (zh) * | 2022-04-18 | 2022-08-05 | 北京计算机技术及应用研究所 | 一种面向军事领域的知识图谱构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 葛斌;谭真;张;肖卫东;: "军事知识图谱构建技术", 指挥与控制学报, no. 04, 15 December 2016 (2016-12-15) * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757497A (zh) * | 2023-06-12 | 2023-09-15 | 南京航空航天大学 | 基于图类感知Transformer的多模态军事智能辅助作战决策方法 |
| CN116757497B (zh) * | 2023-06-12 | 2024-01-12 | 南京航空航天大学 | 基于图类感知Transformer的多模态军事智能辅助作战决策方法 |
| CN116757221A (zh) * | 2023-06-13 | 2023-09-15 | 北京计算机技术及应用研究所 | 一种基于事件抽取的情报态势挖掘方法 |
| CN116860442A (zh) * | 2023-06-30 | 2023-10-10 | 中国北方车辆研究所 | 一种任务驱动的自主无人装备原型系统 |
| 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 |
| CN116842127A (zh) * | 2023-08-31 | 2023-10-03 | 中国人民解放军海军航空大学 | 一种基于多源动态数据的自适应辅助决策智能方法及系统 |
| CN116842127B (zh) * | 2023-08-31 | 2023-12-05 | 中国人民解放军海军航空大学 | 一种基于多源动态数据的自适应辅助决策智能方法及系统 |
| CN117196354A (zh) * | 2023-11-08 | 2023-12-08 | 国网浙江省电力有限公司 | 一种多模态感知与领域图谱模型的智能决策方法 |
| CN117196354B (zh) * | 2023-11-08 | 2024-01-30 | 国网浙江省电力有限公司 | 一种多模态感知与领域图谱模型的智能决策方法 |
| CN118433043A (zh) * | 2024-05-29 | 2024-08-02 | 中国人民解放军国防科技大学 | 一种通信组网方案推演的多场景交互系统及方法 |
| CN119721257A (zh) * | 2025-02-25 | 2025-03-28 | 拓尔思信息技术股份有限公司 | 一种基于事理图谱和大模型的推演方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115878811A (zh) | 一种基于事理图谱的军事情报智能分析及推演方法 | |
| CN112288091B (zh) | 基于多模态知识图谱的知识推理方法 | |
| Gunning et al. | DARPA’s explainable artificial intelligence (XAI) program | |
| Zuiev et al. | Development of complex methodology of processing heterogeneous data in intelligent decision support systems | |
| Polyakova et al. | Managerial decision support algorithm based on network analysis and big data | |
| CN110399518A (zh) | 一种基于图卷积的视觉问答增强方法 | |
| Zhang et al. | Towards urban general intelligence: A review and outlook of urban foundation models | |
| CN118917025A (zh) | 基于大数据的智慧城市交通规划方法及系统 | |
| CN108985298B (zh) | 一种基于语义一致性的人体衣物分割方法 | |
| Colace et al. | A multilevel graph representation for big data interpretation in real scenarios | |
| CN113705293A (zh) | 图像场景的识别方法、装置、设备及可读存储介质 | |
| CN113239184B (zh) | 知识库获取方法、装置、计算机设备及存储介质 | |
| CN116739081A (zh) | 面向电网风险领域的知识获取和表示方法 | |
| CN117454926A (zh) | 仿生行为范式驱动的无人集群系统演化与反馈进化方法 | |
| Ouyang et al. | Semantic enrichment of object associations across federated BIM semantic graphs in a common data environment | |
| Kuwertz et al. | Applying knowledge-based reasoning for information fusion in intelligence, surveillance, and reconnaissance | |
| CN119599382A (zh) | 一种基于知识图谱的数据建设任务规划方法 | |
| CN118627587B (zh) | 一种多智能体强化学习可迁移的方法、装置以及设备 | |
| Frontoni et al. | Trusted Data Forever: Is AI the Answer? | |
| Mohamed et al. | Knowledge Graphs: The Future of Data Integration and Insightful Discovery | |
| CN116467458A (zh) | 一种时空嵌入知识图谱构建方法、装置及计算设备 | |
| Gao et al. | GeoAI Methodological Foundations: Deep Neural Networks and Knowledge Graphs | |
| CN110096506B (zh) | 一种多层需求的树形胞元结构描述及存储方法 | |
| CN117131963A (zh) | 任务处理方法、神经网络及其训练方法、设备和介质 | |
| CN120197709A (zh) | 一种基于混合图谱的限定域事件推理方法 |
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 |