CN116186275A - 战场态势的时空知识图谱构建、计算和感知方法和设备 - Google Patents

Abstract

本发明公开了战场态势的时空知识图谱构建、计算和感知方法和设备，属于战场态势评估领域。本发明避开行为复杂、规律隐晦的传统目标类要素，选择以时空节点为学习主体，将现有知识图谱中不确定的实体全集抽象为确定的时空节点全集，降低总结与学习战场态势规律的难度，加强了对战场态势的把握；在图谱中的实体全集与关系全集都不确定，且所有新增知识都真假未知的情况下，本发明从不同层次估算新增知识的置信度，最终综合多个计算结果，对新增知识的真伪做出判断，用以支撑时空态势知识图谱的更新迭代，从而保证了数据的纯净，强化了对战场态势的总结、推演、预测等，在保证判断准确率的基础上，极大地简化计算复杂度。

Description

战场态势的时空知识图谱构建、计算和感知方法和设备

技术领域

本发明属于军事信息融合、战场态势评估领域，更具体地，涉及战场态势的时空知识图谱构建、计算和感知方法和设备。

背景技术

态势评估是指在一定的时间和空间范围内感知环境中的元素，理解其含义，预测其在不久的将来的状态。战场态势评估是对战场上敌我双方态势要素动态评价的过程。通过综合敌我双方兵力分布与活动、武器系统、机动性、战场地理环境、气象等态势要素，识别分析已发生的事件和计划，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解释，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。

当前的主流研究中，为了对态势进行理解、分析和预测，需要将态势以态势知识图谱的形式表达出来。现有态势知识图谱本质上是以三元组的形式存储态势知识的数据库，例如，战争场景“战斗机A对战斗机B发起攻击”，战斗机A、战斗机B、攻击这三者构成一条态势知识，表示为三元组[目标A、目标B以及目标A对目标B的意图]。

为了发现态势知识图谱中的错误，提高态势知识图谱的质量，进而提升知识驱动的学习任务的性能，学界引入态势知识图谱三元组置信度的概念。态势知识图谱三元组置信度(kg triple trustworthiness)，用于衡量三元组所表达知识的真实程度。态势知识图谱三元组置信度的取值范围为[0,1]，值越接近0，表示该三元组是错误的概率越大，反之，值越接近1，则表示该三元组是真实的概率越大。

按照知识图谱三元组置信度评价方法的适用阶段，现有的知识图谱三元组置信度评价方法概括为3类：第一类置信度评价方法用于“从文本数据中抽取三元组”的过程，典型的案例有：德国马克思普朗克信息研究中心的knowlife知识库；第二类置信度评价方法用于embedding过程，embedding旨在将所有实体和关系编码成连续的向量空间，在embedding过程中进行置信度评价并剔除数据噪声是近年科研人员研究的热点，典型的方法有：scef、transE、transT等；第三类置信度评价方法直接对三元组进行评估，可以衡量知识推理得到的三元组的可靠性，同时也适用于动态知识库的置信度评价，典型的方法有：kgttm、ctransE等。

然而上述方法存在一些亟待攻克的难题：(1)知识图谱中的实体全集并非提前可知，新增的实体也可能会带来新增的关系，诸多不可预料的情况会导致以前训练好的模型不可信，甚至不可用；(2)当实体之间的关系并非固定，而是随着时间空间的改变而发生变化时，针对实体的标记存在临时性，即，时空相关的知识图谱中，很难找到稳定的知识集合作为训练集；(3)现在已有的判断、预测、补全模型或算法大都默认图谱中的知识全部为真实知识，忽略了虚假知识的噪声影响，少部分算法存在判断知识真伪的过程，但也仅是与真实数据对比。

发明内容

针对现有技术的缺陷，本发明的目的在于提供战场态势的时空知识图谱构建、计算和感知方法和设备，旨在解决现有战场知识图谱无法处理新增实体以及实体间前后关系冲突、现有战场态势感知方法受噪声与冲突信息对战场态势感知的干扰的问题。

为实现上述目的，第一方面，本发明提供了一种战场态势的时空知识图谱构建方法，包括：

获取目标战场的所有场景的态势知识，所述态势知识为三元组[头目标，关系，尾目标]，所述目标为场景中出现的作战单位，所述头目标和尾目标的类型相同，所述关系为头目标对尾目标的意图；

对于目标战场的每个场景，做以下处理，得到战场态势的时空知识图谱：

1)分别获取场景的态势知识中头目标和尾目标所属类型、所处时间片、所处空间块；

2)分别对头目标和尾目标所属类型、所处时间片、所处空间块进行编码，对关系进行编码，所述头目标和尾目标的编码方式相同；

3)构建场景的时空态势知识，所述时空态势知识为三元组[头实体编码，关系编码，尾实体编码]，所述实体编码由节点所处时间片编码、空间块编码和所属类型编码构成。

优选地，构建所述知识图谱之后，所述方法还包括：

在目标战场的场景的时空态势知识发生变化时，计算该场景的时空态势知识的置信度，将其作为是否更新入态势知识图谱的依据：将判断为真的时空态势知识添加进时空态势知识图谱；将判断为假的时空态势知识丢弃；将无法做出判读的时空态势知识暂存，留作参考，并做好标记备案。

优选地，所述关系的全集为∶攻击、防御、支援、群组、侦查，所述作战单位的全集为：装备、人员、组织。

为实现上述目的，第二方面，本发明提供了一种用于战场态势感知的时空态势知识置信度的计算方法，包括：

T1.根据战场态势的时空知识图谱，构建以该时空态势知识中头实体为根节点的有向图，所述战场态势的时空知识图谱采用如第一方面所述的方法构建；

T2.将不同的关系分为不同的等级，根据等级分别赋值计算过程中不同的权重参数RW；

T3.迭代运算有向图中的资源流直到其收敛，并综合权重参数RW计算该时空态势知识中尾实体的资源保留值；

T4.构建该时空态势知识的特征向量＝[R(t|h)，ID(h)，OD(h)，ID(t)，OD(t)，Dep(h，t)，RW]，其中，R(t|h)为尾实体的资源保留值，ID(h)为头实体的入度，OD(h)为头实体的出度，ID(t)为尾实体的入度，OD(t)为尾实体的出度，Dep(h，t)为头实体至尾实体的深度；

T5.特征向量V经过激活函数的处理后，转化成的目标实体层面的态势知识置信度。

优选地，尾实体的资源保留值的计算公式如下：

/>

其中，θ为每个实体节点的资源流直接跳转到的随机节点的概率，M_t为所有通向尾实体节点t的节点集合，R(e_i|h)为实体节点e_i的资源保留值，

为从实体节点e_i到尾实体节点t的带宽，OD(e_i)为实体节点e_i的出度，N为M_t中节点数目。

优选地，目标实体层面的态势知识置信度RR(h，t)计算公式如下：

其中，α为非线性激活函数，u为非线性激活结果，W_i和b_i为在训练阶段可调节的参数矩阵，ii∈{1，2}。

为实现上述目的，第三方面，本发明提供了一种基于交叉神经网络与时空知识图谱的战场态势感知方法，包括：

接收目标战场的场景的新时空态势知识，输入至训练好的态势知识判断模型，得到新时空态势知识的置信度；

所述态势知识判断模型通过以下方式训练：

S1、建立样本数据集合：根据战场时空知识图谱获取到的态势知识，将场景态势都为正样本，按照一定原则构建对应负样本，将各样本以实体编码的形式保存为样本集，并将整体样本集划分为训练集、测试集和验证集，所述战场态势的时空知识图谱采用如第一方面所述的方法构建；

S2、拆分样本数据的编码：将训练集的实体编码中时空编码与类型编码拆分开，分别保存。

S3、生成各样本数据的词向量；

S4、计算各样本目标实体层面的态势知识置信度；

S5、计算各样本态势知识图谱层面的态势知识置信度；

S6、训练交叉神经网络：将步骤S4的输出结果和步骤S5的输出结果链接在一起作为输入，输入至基于多层感知器的融合器，所述融合器的输出层为二分类器，将标签y＝1赋给正样本，将y＝0赋给负样本，计算在当前输入条件下，被测试样本为真的概率，其结果为区间(0,1)之间的一个数；

S7、当态势知识判断模型的预测准确率达到预设阈值时，停止优化过程，得到训练好的态势知识判断模型。

优选地，步骤S4采用如第二方面所述的方法。

为实现上述目的，第四方面，本发明提供了一种计算设备，包括：包括处理器和存储器；

所述处理器用于存储计算机执行指令；

所述处理器用于执行所述计算机执行指令，使得上述方法被执行。

为实现上述目的，第五方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序被执行时，上述方法被执行。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

(1)针对现有知识图谱以实体全集和关系全集为基础，难以动态更新迭代，无法处理新增实体以及实体间前后关系冲突的问题，本发明提出一种战场态势的时空知识图谱构建方法，避开行为复杂、规律隐晦的传统目标类要素，选择以时空节点为学习主体，将现有知识图谱中不确定的实体全集抽象为确定的时空节点全集，用以支撑时空相关的态势知识的实时演变，降低了总结与学习战场态势规律的难度，加强了对战场态势的把握。

(2)本发明提出一种用于战场态势感知的时空态势知识置信度的计算方法，模拟流体资源通过粗细不同的管道流动到多个深浅不一、相互连通的蓄水池，最终分布稳定的过程，提出实体间关系的强度概念，以不同的权重表示不同强度的关系，增加了置信度计算结果的可信性与可行性。

(3)为加强对战场态势的把握，降低噪声与冲突信息对战场态势感知的干扰，本发明提出一种基于交叉神经网络与时空知识图谱的战场态势感知方法，在图谱中的实体全集与关系全集都不确定，且所有新增知识都真假未知的情况下，从不同层次估算新增知识的置信度，最终综合多个计算结果，对新增知识的真伪做出判断，用以支撑时空态势知识图谱的更新迭代，从而保证了数据的纯净，强化了对战场态势的总结、推演、预测等。在保证判断准确率的基础上，极大地简化了计算复杂度。

附图说明

图1为本发明提供的一种基于交叉神经网络与时空知识图谱的战场态势感知方法流程图。

图2为本发明提供的一种战场态势的时空知识图谱构建方法流程图。

图3为本发明提供的一种用于战场态势感知的时空态势知识置信度的计算方法流程图。

图4为本发明实施例提供的交叉神经网络结构示意图。

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白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1为本发明提供的一种基于交叉神经网络与时空知识图谱的战场态势感知方法流程图。如图1所示，该方法包括：

接收目标战场的场景的新时空态势知识，输入至训练好的态势知识判断模型，得到新时空态势知识的置信度。

所述态势知识判断模型通过以下方式训练：

步骤S1、建立样本数据集合。

根据战场时空知识图谱获取到的态势知识，将场景态势都为正样本，按照一定原则构建对应负样本，将各样本以实体编码的形式保存为样本集，并将整体样本集划分为训练集、测试集和验证集。

本实施例中，以海战场经典场景的态势为实验数据。默认场景态势知识为真实态势知识，即正样本。收集态势评估系统生成的正确的态势知识，标签为正确，数量不少于10000个，作为正样本集合：然后采用从意图全集中按均匀分布随机选取1个替代正样本中的关系，或者从目标全集中按均匀分布随机选取1个替代正样本中的尾结点的方法生成负样本，标签为错误，数量不少于10000个，作为负样本集合。将正样本集合和负样本集合合并，按照关系编码方法、类型编码方法、时空编码方法，计算出其中每个态势知识的目标A类型编码、目标A时空编码、目标B类型编码、目标B时空编码、关系编码。将每个态势知识的这些编码按照目标A类型编码、目标A时空编码、目标B类型编码、目标B时空编码、关系编码的顺序拼接为实体编码，与标签保存为样本数据集合，并按照均匀分布随机选取方式，将其划分为训练集、测试集和验证集。

本发明选择以时间片与空间块作为知识学习判断的主体，而非传统的目标类要素。图2为本发明提供的一种战场态势的时空知识图谱构建方法流程图。如图2所示，该方法包括：

获取目标战场的所有场景的态势知识，所述态势知识为三元组[头目标,关系,尾目标]，所述目标为场景中出现的作战单位，所述头目标和尾目标的类型相同，所述关系为头目标对尾目标的意图。

对于目标战场的每个场景，做以下处理，得到战场态势的时空知识图谱：

1)分别获取场景的态势知识中头目标和尾目标所属类型、所处时间片、所处空间块；

2)分别对头目标和尾目标所属类型、所处时间片、所处空间块进行编码，对关系进行编码，所述头目标和尾目标的编码方式相同；

3)构建场景的时空态势知识，所述时空态势知识为三元组[头实体编码,关系编码,尾实体编码]，所述实体编码由节点所处时间片编码、空间块编码和所属类型编码构成。

例如，传统定义中的战斗机A对战斗机B发起攻击这一场景中，战斗机A、战斗机B、攻击，这三者分别作为头节点、尾节点、关系构成一个三元组，而在本发明中，将其理解为：位于时间片T_A空间块P_A的战斗机A的所属类型TP_A，对位于时间片T_B空间块P_B的战斗机B的所属类型TP_B，发动攻击，则此时，“T_AP_ATP_A”、“T_BP_BTP_B”、“攻击”，构成一个三元组[T_AP_ATP_A,攻击,T_BP_BTP_B]。本发明可以从该条知识中学到经验：处于T_AP_A的TP_A与处于T_BP_B的TP_B，或，处于其他时空位置，但相对距离与T_AP_A和T_BP_B之间相对距离相近的TP_A和TP_B可以发生“攻击”这一关系，而发生关系的两个具体目标不一定是战斗机A和战斗机B，还可以是与战斗机A类型相同的战斗机C和与战斗机B类型相同的战斗机D。目标是指样本训练集合中出现的作战单位，例如，装备、人员、组织。目标全集是指样本训练集合中出现的所有目标构成的集合。群则是指若干执行相同任务，彼此之间互为群组关系的一系列目标。

首先根据典型场景中的态势生成各个目标的时空编码，再加上以该目标所属类型首次出现的次序所确定的类型编码，生成完成的实体编码，并根据不同关系首次出现的次序，确定各个关系的编码，具体编码方法如下：

时间编码方法：以标准时间码格式为准，具体格式为：YYYY-MM-DD hh:mm:ss:ff(年、月、日、时、分、秒和帧数值)。前六个数据就是中国标准时间，其中，年份以13位二进制编码表示，月用4位二进制编码表示，日、时各用一个5位二进制编码表示，分和秒各用一个6位二进制编码表示，第七个数据是视频的帧数，用17位二进制编码表示，本实施例并未涉及帧数，生成时间编码时，将其填充为01111111111111111。计算时，将年、月、日、时、分、秒的编码分别取出计算，忽略最后16位编码。

空间编码方法：将目标的经度、纬度、高度分别按照地球空间网格编码规则(GB/T40087-2021)标准，编为32位编码，本实施例中取前24位作为空间编码，各级编码分别以一位二进制数表示，故，各级空间编码应用一个八进制数字表示。

类型编码方法：将目标的全部类型排列为一个序列，如战斗机、轰炸机、预警机、运输机、其他类型飞机、驱逐舰、护卫舰、运输舰、支援舰、航空母舰、两栖攻击舰、其他类型舰艇、常规潜艇、攻击核潜艇、战略核潜艇、其他类型潜艇、坦克、装甲车、运输车、导弹发射车、其他类型车辆、其他类型目标，按照从0开始，依次加1的方法进行十进制编码。

关系编码方法：本实施例中，知识图谱中的关系即为意图，包括目标对目标的意图、目标对群的意图、群对目标的意图以及群对群的意图。本实施例中的意图全集为：攻击、防御、支援、群组、侦查。意图的编码方式与目标类型的编码方式相同，采用其首次出现的次序，按照从0开始，依次加1的方法进行十进制编码。

例如，在2022-06-15 10:50:28，有一艘敌方的水面阿利·伯克级驱逐舰出现在我方探测范围内，其经纬度坐标为(120.38390468507936，14.229961024930361)，高度以其所在位置与大地等势面的落差计算，则，该目标的完整时间编码如下：

00111111001100110011110101011001001110001111111111111111。

计算中，本发明取用前40位编码。

该目标的完整空间编码如下：

经度：00111100001011100001000001110100；

纬度：00000111000110110111111011100000；

高度：11111111111111111111111111010011。

地球空间网格编码规则(GB/T 40087-2021)标准中，将三组编码进行莫顿交叉，以达成编码在空间上的连续性。计算时，本发明各取用前24位。

本次训练样本集中，该目标的所属类型“阿利·伯克级”的编码为4。

将上述三部分编码链接起来，则该目标的实体编码为：3f333d593892dbf692ef7e9b7db4 4。

优选地，构建所述知识图谱之后，所述方法还包括：

在目标战场的场景的时空态势知识发生变化时，计算该场景的时空态势知识的置信度，将其作为是否更新入态势知识图谱的依据：将判断为真的时空态势知识添加进时空态势知识图谱；将判断为假的时空态势知识丢弃；将无法做出判读的时空态势知识暂存，留作参考，并做好标记备案。

优选地，所述关系的全集为：攻击、防御、支援、群组、侦查，所述作战单位的全集为：装备、人员、组织。

步骤S2、拆分样本数据的编码。

将训练集的实体编码中时空编码与类型编码拆分开，分别保存。本实施例中，将训练集的实体编码中24级空间编码与类型编码拆分开，关系编码复制25份，分别与复制的对应关系编码一起保存，作为单独的训练数据。

步骤S3、生成各样本数据的词向量。

计算训练集中的所有态势知识的空间编码、类型编码和关系编码，运用基于平移的能量函数算法(TEF)，以Bordes等人于2013年发表在NIPS上的transE算法为基础，依据拆分开的训练集为每级空间编码、类型编码和关系编码分别生成词向量。

向量维数计算公式为：n≥8*ln(N)，其中，n为向量维数，N为词的个数，本实施例中N为各级编码可能出现的实体数量与关系数量之和。

由上述计算公式可得，各级空间编码应分别用一个24维向量表示，由场景中所有可能出现的目标类型的数量计算得出，类型编码应用一个51维向量表示。最后，根据完整训练集将各段向量合为一个627维的实体向量或关系向量。

步骤S4、计算各样本目标实体层面的态势知识置信度。

图3为本发明提供的一种用于战场态势感知的时空态势知识置信度的计算方法流程图。如图3所示，该方法包括以下步骤：

T1.根据战场态势的时空知识图谱，构建以该时空态势知识中头实体为根节点的有向图，所述战场态势的时空知识图谱采用如上述方法构建。

T2.将不同的关系分为不同的等级，根据等级分别赋值计算过程中不同的权重参数RW。

如果实体对(h，t)之间的关联性很强，那么会有非常多的资源从头部实体h通过所有关联路径传递到知识图谱中的尾部实体t。在此基础上，本发明将不同的关系分为不同的等级，分别代表计算过程中不同的权重参数。例如，在本实施例中，攻击和防御为最高等级关系，侦查为第二级、群组为第三级，支援为第四级。等级越高，权重参数赋值越大。

T3.迭代运算有向图中的资源流直到其收敛，并综合权重参数RW计算该时空态势知识中尾实体的资源保留值。

优选地，尾实体的资源保留值的计算公式如下：

其中，θ为每个实体节点的资源流直接跳转到的随机节点的概率，M_t为所有通向尾实体节点t的节点集合，R(e_i|h)为实体节点e_i的资源保留值，

为从实体节点e_i到尾实体节点t的带宽，OD(e_i)为实体节点e_i的出度，N为M_t中节点数目。

T4.构建该时空态势知识的特征向量：

V＝[R(t|h)，ID(h)，OD(h)，ID(t)，OD(t)，Dep(h，t)，RW]

其中，R(t|h)为尾实体的资源保留值，ID(h)为头实体的入度，OD(h)为头实体的出度，ID(t)为尾实体的入度，OD(t)为尾实体的出度，Dep(h，t)为头实体至尾实体的深度。

T5.特征向量V经过激活函数的处理后，转化成的目标实体层面的态势知识置信度。

优选地，目标实体层面的态势知识置信度RR(h，t)计算公式如下：

其中，α为非线性激活函数，u为非线性激活结果，W_i和b_i为在训练阶段可调节的参数矩阵，i∈{1，2}。

RR(h，t)值的范围在[0，1]之间，值越接近1，表明h和t之间越有可能存在关系。

步骤S5、计算各样本态势知识图谱层面的态势知识置信度。

通过可达路径推理算法(Reachable paths inference)，在有向图中，利用步骤S3中计算出的实体关系向量，计算出目标三元组与目标头节点到目标尾节点的不同路径的语义距离。选择所有路径中语义距离最大的三条路径，将排名前三的路径的输出h_t链接在一起，然后将该向量进行非线性处理，得到值RP((h，r，t))，用来表示知识图谱中相关的三元组判定目标的置信度。

具体步骤为：

1)给定一个三元组(h，r，t)。

2)在知识图谱中查找所有从头节点h出发到达尾节点t的可达路径P(h，r，t)＝{p₁，p₂...p_n}。

3)对于每一个p_i∈P(h，r，t)，分别计算p_i中所有三元组头节点与h的平均语义距离、所有三元组尾节点与t的平均语义距离以及所有三元组关系节点和r的平均语义距离，此处语义距离可谓L1范数或L2范数。

4)将步骤3)中的三种语义距离的平均值作为当前路径p_i的语义距离。

5)取出P中语义距离最大的三条路径。

6)将排名前三的路径的输出h_t链接在一起，构成向量S，然后对向量S进行非线性处理得到值RP((h，r，t))：

其中，β是非线性激活函数，而W_j和b_j是在模型训练时候可以调节的参数矩阵，j∈{3，4}。RP((h，r，t))值的范围在[0，1]之间，值越接近1，表明三元组(h，r，t)为正确三元组的置信度越高。

步骤S6、训练交叉神经网络。

将步骤S4的输出结果和步骤S5的输出结果链接在一起，得到特征向量f(s)＝[RR(h，t)，RP((h，r，t))]，输入至基于多层感知器的融合器，所述融合器的输出层为二分类器，将标签y＝1赋给正样本，将y＝0赋给负样本，计算在当前输入条件下，被测试样本为真的概率，其结果为区间(0，1)之间的一个数。

将f(s)输入融合器并通过多个隐藏层进行转换，通过二分类输出层给各三元组赋予真假标签y，最后使用sigmoid函数去计算p(y＝1|f(s))：

其中，h_i是第i层隐藏层，

和/>

是第i层隐藏层将被学习训练的参数矩阵，W_o和b_o是输出层的参数矩阵。

图4为本发明实施例提供的交叉神经网络结构示意图。如图4所示的交叉神经网络的训练过程如下：首先将样本集以8∶1∶1的比例随机划分为训练集、测试集和验证集。然后，采用每批128个样本的adam优化方法训练交叉神经网络，此处采用adam方法的默认参数进行训练。

其中，adam方法是一种可以替代传统随机梯度下降(SGD)过程的一阶优化算法。其默认的优化学习的学习率设置为0.001。

步骤S7、当态势知识判断模型的预测准确率达到预设阈值时，停止优化过程，得到训练好的态势知识判断模型。

本实施例中，预设阈值为99％。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种战场态势的时空知识图谱构建方法，其特征在于，包括：

获取目标战场的所有场景的态势知识，所述态势知识为三元组[头目标，关系，尾目标]，所述目标为场景中出现的作战单位，所述头目标和尾目标的类型相同，所述关系为头目标对尾目标的意图；

对于目标战场的每个场景，做以下处理，得到战场态势的时空知识图谱：

1)分别获取场景的态势知识中头目标和尾目标所属类型、所处时间片、所处空间块；

2)分别对头目标和尾目标所属类型、所处时间片、所处空间块进行编码，对关系进行编码，所述头目标和尾目标的编码方式相同；

3)构建场景的时空态势知识，所述时空态势知识为三元组[头实体编码，关系编码，尾实体编码]，所述实体编码由节点所处时间片编码、空间块编码和所属类型编码构成。

2.如权利要求1所述的构建方法，其特征在于，构建所述知识图谱之后，所述方法还包括：

在目标战场的场景的时空态势知识发生变化时，计算该场景的时空态势知识的置信度，将其作为是否更新入态势知识图谱的依据：将判断为真的时空态势知识添加进时空态势知识图谱；将判断为假的时空态势知识丢弃；将无法做出判读的时空态势知识暂存，留作参考，并做好标记备案。

3.如权利要求1或2所述的构建方法，其特征在于，所述关系的全集为：攻击、防御、支援、群组、侦查，所述作战单位的全集为：装备、人员、组织。

4.一种用于战场态势感知的时空态势知识置信度的计算方法，其特征在于，包括：

T1.根据战场态势的时空知识图谱，构建以该时空态势知识中头实体为根节点的有向图，所述战场态势的时空知识图谱采用如权利要求1至3任一项所述的方法构建；

T2.将不同的关系分为不同的等级，根据等级分别赋值计算过程中不同的权重参数RW；

T3.迭代运算有向图中的资源流直到其收敛，并综合权重参数RW计算该时空态势知识中尾实体的资源保留值；

T4.构建该时空态势知识的特征向量V＝[R(t|h)，ID(h)，OD(h)，ID(t)，OD(t)，Dep(h，t)，RW]，其中，R(t|h)为尾实体的资源保留值，ID(h)为头实体的入度，OD(h)为头实体的出度，ID(t)为尾实体的入度，OD(t)为尾实体的出度，Dep(h，t)为头实体至尾实体的深度；

T5.特征向量V经过激活函数的处理后，转化成的目标实体层面的态势知识置信度。

5.如权利要求4所述的计算方法，其特征在于，尾实体的资源保留值的计算公式如下：

其中，θ为每个实体节点的资源流直接跳转到的随机节点的概率，M_t为所有通向尾实体节点t的节点集合，R(e_i|h)为实体节点e_i的资源保留值，

为从实体节点e_i到尾实体节点t的带宽，OD(e_i)为实体节点e_i的出度，N为M_t中节点数目。

6.如权利要求4所述的计算方法，其特征在于，目标实体层面的态势知识置信度RR(h，t)计算公式如下：

/>

其中，α为非线性激活函数，u为非线性激活结果，W_i和b_i为在训练阶段可调节的参数矩阵，i∈{1，2}。

7.一种基于交叉神经网络与时空知识图谱的战场态势感知方法，其特征在于，包括：

接收目标战场的场景的新时空态势知识，输入至训练好的态势知识判断模型，得到新时空态势知识的置信度；

所述态势知识判断模型通过以下方式训练：

S1、建立样本数据集合：根据战场时空知识图谱获取到的态势知识，将场景态势都为正样本，按照一定原则构建对应负样本，将各样本以实体编码的形式保存为样本集，并将整体样本集划分为训练集、测试集和验证集，所述战场态势的时空知识图谱采用如权利要求1至3任一项所述的方法构建；

S2、拆分样本数据的编码：将训练集的实体编码中时空编码与类型编码拆分开，分别保存。

S3、生成各样本数据的词向量；

S4、计算各样本目标实体层面的态势知识置信度；

S5、计算各样本态势知识图谱层面的态势知识置信度；

S6、训练交叉神经网络：将步骤S4的输出结果和步骤S5的输出结果链接在一起作为输入，输入至基于多层感知器的融合器，所述融合器的输出层为二分类器，将标签y＝1赋给正样本，将y＝0赋给负样本，计算在当前输入条件下，被测试样本为真的概率，其结果为区间(0，1)之间的一个数；

S7、当态势知识判断模型的预测准确率达到预设阈值时，停止优化过程，得到训练好的态势知识判断模型。

8.如权利要求7所述的战场态势感知方法，其特征在于，步骤S4采用如权利要求4至6任一项所述的方法。

9.一种计算设备，其特征在于，包括：包括处理器和存储器；

所述处理器用于存储计算机执行指令；

所述处理器用于执行所述计算机执行指令，使得权利要求1至8任一项所述的方法被执行。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序被执行时，权利要求1至8任一项所述的方法被执行。

Images