CN116484027A - 基于知识图谱技术建立的军用设备图谱系统 - Google Patents
基于知识图谱技术建立的军用设备图谱系统 Download PDFInfo
- Publication number
- CN116484027A CN116484027A CN202310734927.7A CN202310734927A CN116484027A CN 116484027 A CN116484027 A CN 116484027A CN 202310734927 A CN202310734927 A CN 202310734927A CN 116484027 A CN116484027 A CN 116484027A
- Authority
- CN
- China
- Prior art keywords
- entity
- module
- knowledge
- entities
- military equipment
- 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.)
- Granted
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 2
- 238000012549 training Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000000034 method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
一种基于知识图谱技术建立的军用设备图谱系统,属于电数据处理技术领域。系统中,多个测量模块同时通过感测装置量测被分配区域的实体信息;去重模块对多个测量模块发送来的实体及该实体的测量信息进行剪裁及计算,去重后,筛选出实体集合;选择模块计算去重模块发送来的实体集合中的任一实体Ax与其它实体之间的关联度,根据关联度生成与实体Ax相关的实体序列,构建模块确定Ax与实体序列中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,遍历实体集合中的每个实体生成军用设备的知识图谱。根据本发明可以快速地建立军用设备图谱系统,且建立的军用设备图谱系统相关性强,为人工智能模型的训练提高了效率。
Description
技术领域
本发明属于数据处理技术领域,特别是涉及基于知识图谱技术建立的军用设备图谱系统。
背景技术
随着人工智能逐渐迈向认知智能,知识图谱已经成为当今大数据时代一种重要的知识表示和组织形式,被广泛应用,知识图谱由实体和关系组成,实体表示客观世界的事物,关系表示实体之间的相互联系。
公开号为CN110096598A的中国发明专利申请公开了一种配电网知识图谱建立方法、装置、计算机设备及存储介质,但其建立知识图谱的效率低。
发明内容
本发明的发明目的是提供一种基于知识图谱技术建立的军用设备图谱系统及方法,建立知识图谱的效率高,相关性强,为人工智能模型的训练提高了效率。
为实现所述发明目的,本发明第一方面提供一种基于知识图谱技术建立的军用设备图谱系统,其特征在于,包括知识图谱构建模块,知识图谱构建模块包括多个测量模块、去重模块、选择模块和构建模块,其中,
每个测量模块Sk通过感测装置量测被分配区域的所有实体信息,并向去重模块发送所量测的实体及该实体的测量信息,k=1,2,…,K
去重模块对K个测量模块发送来的实体及该实体的测量信息进行计算及剪裁,对实体去重后,筛选出实体集合Ti(t),并记录下实体集合Ti(t)中每个实体的测量信息,将筛选出的实体集合Ti(t)及每个实体的测量信息发送给选择模块;
选择模块计算去重模块发送来的实体集合Ti(t)中的任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS},以及
构建模块确定Ax与Tx(t)={A1,…,As,…,AS}中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,选择模块和构建模块遍历实体集合Ti(t)中的每个实体生成军用设备的知识图谱。
本发明另一方面还提供一种基于知识图谱技术建立的军用设备图谱系统,其特征在于,包括多个子知识图谱构建模块和去重模块,每个子知识图谱构建模块包括测量模块、选择模块和构建模块,其中,
测量模块通过感测装置量测的被分配区域的所有实体集合Tx(t)的实体信息,并向选择模块发送所量测的实体及该实体的测量信息,
选择模块计算实体集合Tx(t)任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关的实体序列Tx(t)={A1,…,As,…,AS};
构建模块确定Ax与Tx(t)={A1,…,As,…,AS}中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,选择模块和构建模块遍历实体集合Tx(t)中的每个实体生成子知识图谱;
去重模块将多个子知识图谱合并将重复的实体和边去重生成军用装备的知识图谱。
有益效果
1、与现有技术相比,本发明通过多个测量模块同时通过感测装置量测的被分配区域的实体信息;通过去重模块对多个测量模块发送来的实体及该实体的测量信息进行计算及剪裁,对重复的实体去重后,筛选出实体集合;通过选择模块计算去重模块发送来的实体集合中的任一实体Ax与其它实体之间的关联度,根据关联度生成与实体Ax相关的实体序列,以及构建模块确定Ax与实体序列中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,遍历实体集合中的每个实体生成军用设备的知识图谱,从而提高了建立知识图谱的效率,且建立的军用设备图谱系统相关性强,为人工智能模型的训练提高了效率。
2、与现有技术相比,本发明通过多个子知识图谱构建模块同时建立子知识图谱,而后通过去重模块将多个子知识图谱合并对重复的实体和边去重生成军用装备的知识图谱,从而提高了建立知识图谱的效率,且建立的军用设备图谱系统相关性强,为人工智能模型的训练提高了效率。
附图说明
图1是本发明第一实施例提供的建立军用设备知识图谱系统的组成框图;
图2是本发明第二实施例提供的建立军用设备知识图谱系统的组成框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
现有技术中的包括多种军用设备,例如装甲车辆、飞行器等,每种军用设备是由多个系统组成的,如运行系统、武器系统、通信系统等,每个系统由多个子系统组成,例如通信系统系统包括收信子系统和发信子系统;每个子系统包由多个部件组成,例如收信子系统包括天线单元、低频小信号放大器、混频器、带通滤波器、中频放大器、检测器等,每个部件包括多个元件。
第一实施例
图1是本发明第一实施例提供的建立军用设备知识图谱系统组成框图,如图1所示,第一实施例提供的军用设备图谱系统包括知识图谱构建模块包括知识图谱构建模块,知识图谱构建模块包括多个测量模块、去重模块、选择模块和构建模块,其中,
每个测量模块Sk通过感测装置量测被分配区域的所有实体信息,并向去重模块发送所量测的实体及该实体的测量信息,k=1,2,…,K;
去重模块对K个测量模块发送来的实体及该实体的测量信息进行计算及剪裁,对实体去重后,筛选出实体集合Ti(t),并记录下实体集合Ti(t)中每个实体的测量信息,将筛选出的实体集合Ti(t)及每个实体的测量信息发送给选择模块;
选择模块计算去重模块发送来的实体集合Ti(t)中的任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS},以及
构建模块确定Ax与Tx(t)={A1,…,As,…,AS}中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,选择模块和构建模块遍历实体集合Ti(t)中的每个实体生成军用设备的知识图谱。
第一实施例中,测量模块Sk发送来的其测量的所有实体的集合记作S(Ak), 被至少2个测量模块重复测量的实体的测量值进行融合处理得到其融合后的测量信息,去重模块对实体去重后得到实体集合Ti(t),集合Ti(t)中的元素记为Ai。
第一实施例中,去重模块包括图像获取模块、卷积神经网络和自竞争神经网络,其中,
图像获取模块从每个测量模块获取测量模块所拍摄的其分配区域包含的所有实体的图像;
卷积神经网络从每个测量模块所拍摄的其分配区域包含的所有实体的图像中提取出所有实体的图像信息;
自竞争神经网络将从K个测量模块中的一个第一测量模块拍摄的包括所有实体的图像提取出的所有实体的图像信息学习到自竞争神经网络中间层的二维神经元中;
将从与第一测量模块相邻的第二测量模块拍摄的包括所有实体的图像提取出的所有实体的图像信息输入自竞争神经网络的输入层,输入层输入的实体的图像信息与中间层的二维神经元的实体的图像信息欧拉距离小于阈值的实体视为相同的实体,将相同的实体去重,对重复的实体的测量信息进行融合。
第一实施例中,至少2个测量模块重复测量的实体的测量值进行融合处理得到其融合后的量侧信息具体包括:通过多个测量模块测理的信息取平均得到融合后的量侧信息。
第一实施例中,选择模块计算去重模块发送来的实体集合Ti(t)中的任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS}具体包括:
S3.1计算Ti(t)中任一实体Ax与集合Ti(t)内其它实体Ai的综合信息聚集能力评估值CDx-i:
,式中,ki表示实体Ai的度;
S3.2计算实体Ax与实体Ai基于拓扑与交互行为的相关度CIx-i:
CIx-i=β1CTx-i+β2CJx-i
式中CTx-i为Ax与Ai之间的拓扑关系度,CJx-i为Ax与Ai之间的交互频次度,β1与β2为调节系数,
,式中,ΔIi为实体Ax的测量值变化率为ΔIx时实体Ai的测量值变化率;
,式中,fx-i为实体Ax与实体Ai之间在当前时刻t前的信息交互总次数,tn为第n次信息交互时的时间;tn-1为第n-1次信息交互时的时间;
S3.3根据下式计算实体Ax与实体Ai拓扑关联度:
Ex-i=α1CDx-i+α2CIx-i
式中,α1和α2为调节系数;
S3.4根据关联度生成与Ax相关联的实体序列Tx(t)={A1,…,As,…,AS}。
第一实施例中, 知识图谱构建模块通过上述多个测量模块、去重模块、选择模块和构建模块构建系统级知识图谱、子系统级知识图谱、装置级知识图谱、部件级知识图谱和/或元件级知识图谱。
例如,以军用设备及其各系统作为第一实体,军用设备及其各系统之间、各系统之间的第一语义关系及权重作为边的系统级知识图谱,军用设备及其各系统之间第一语义关系作为边的系统级知识图谱,各系统为完成军用设备的任务所占的比例作为边的权重;以构成每一系统及其构成该系统的各子系统作为第二实体,系统及各子系统之间、各子系统之间的第二语义关系及权重作为边构建的子系统级知识图谱;以每一子系统及构成该子系统的各装置作为第三实体,子系统及各装置之间、各装置之间的第三语义关系及权重为边的装置级知识图谱;以每一装置及构成该装置的各部件作为第四实体,装置及各部件之间、各部件之间的第四语义关系及权重为边的部件级知识图谱;以每一部件及构成该部件的各元件作为第五实体,部件与元件之间、各元件之间的第五语义关系及权重为边的元件级知识图谱。
第一实施例中,提供的军用设备图谱系统还包括图神经网络模块,其被配置为对系统级知识图谱进行学习预测发生故障或失能的系统;还被配置为根据发生故障或失能的系统对应的子系统级知识图谱进行学习预测发生故障或失能的子系统;还被配置为根据发生故障或失能的子系统对应的装置级知识图谱进行学习预测发生故障或失能的装置;还被配置为根据发生故障或失能的装置对应的部件级知识图谱进行学习预测发生故障或失能的部件,还被配置为根据发生故障或失能的部件对应的元件级知识图谱进行学习预测发生故障或失能的元件。
第一实施例中,提供的军用设备图谱系统还包括语义关系确定模块,其被配置为根据构成军用设备的各系统之间协同关系确定第一语义关系;还被配置为根据每个系统与构成该系统各子系统之间、该系统的各子系统之间的物理关系确定第二语义关系;还被配置为根据每个子系统与构成该子系统各装置之间、该子系统的各装置之间的物理关系确定第三语义关系;还被配置为根据每个装置与构成该装置的各部件之间、构成该装置的各部件之间的物理关系以确定第四语义关系;还被配置为根据构成每个部件与构成该部件的各元件之间、构成该部件的各元件之间的物理关系以确定第五语义关系。
第一实施例中,第一语义关系至少包括各系统能够相互配合以完成分配给该军用设备需要完成的任务的正常关系和之前能够相互配合能完成分配给该军用设备需要完成的任务的各系统而测量当前不能相互配合的故障关系;
第二语义关系至少包括组成系统的各子系统能够传递动能和/或信号以实现该系统的功能相的正常连接关系和组成系统的各子系统之前能够传递动能和/或信号以实现该系统的功能而测量当前不能传递动能和/或信号从而导致不能实现该系统的功能的故障关系;
第三语义关系至少包括组成子系统的各装置能够传递动能和/或信号以实现该子系统的功能相的正常连接关系和组成子系统的各装置之前能够传递动能和/或信号以实现该子系统的功能而测量当前不能传递动能和/或信号从而导致不能实现该子系统的功能的故障关系;
第四语义关系至少包括组成装置的各部件能够传递动能和/或信号以实现该装置的功能相的正常连接关系和组成装置的各部件之前能够传递动能和/或信号以实现该装置的功能而测量当前不能传递动能和/或信号从而导致不能实现该装置的功能的故障关系;
第五语义关系至少包括组成部件的各元件能够传递动能和/或信号以实现该部件的功能相的正常连接关系和组成部件的各元件之前能够传递动能和/或信号以实现该部件的功能而测量当前不能传递动能和/或信号从而导致不能实现该部件的功能的故障关系。
第一实施例中,军用设备图谱系统还包括检测信号注入模块,其被配置为产生检测信号,并将检测信号注入到部件的信号输入端,而后依据信号的传递顺序测量构成部件的各个元件实体对检测信号的传递情况或者响应情况,从而生成第五语义关系的元件级知识图谱。
第一实施例中,知识图谱构建模块分时对军用设备构建知识图谱,军用设备组建完成并由专家评价能达到标准时构建的知识图谱为标准知识图谱;对组建后的军用设备进行外场实验或者测量时构建的知识图谱为外场实验知识图谱;图神经网络模块将外场实验或者测量知识图谱与标准知识图谱分级进行聚类,从而确定军用设备故障部位。
本发明第一实施例还提供一种军用设备图谱系统的建立方法,包括如下步骤:
每个测量模块Sk通过感测装置量测被分配区域的所有实体信息,并向去重模块发送所量测的实体及该实体的测量信息,k=1,2,…,K;
通过去重模块对K个测量模块发送来的实体及该实体的测量信息进行计算及剪裁,对实体去重后,筛选出实体集合Ti(t),并记录下实体集合Ti(t)中每个实体的测量信息,将筛选出的实体集合Ti(t)及每个实体的测量信息发送给选择模块;
通过选择模块计算去重模块发送来的实体集合Ti(t)中的任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS},以及
通过构建模块确定Ax与Tx(t)={A1,…,As,…,AS}中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,选择模块和构建模块遍历实体集合Ti(t)中的每个实体生成军用设备的知识图谱。
第一实施例通过多个测量模块同时通过感测装置量测的被分配区域的实体信息;通过去重模块对多个测量模块发送来的实体及该实体的测量信息进行计算及剪裁,对重复的实体去重后,筛选出实体集合;通过选择模块计算去重模块发送来的实体集合中的任一实体Ax与其它实体之间的关联度,根据关联度生成与实体Ax相关的实体序列,以及构建模块确定Ax与实体序列中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,遍历实体集合中的每个实体生成军用设备的知识图谱,从而提高了建立知识图谱的效率,且建立的军用设备图谱系统相关性强,为人工智能模型的训练提高了效率。
第二实施例
图2是本发明第二实施例提供的建立军用设备知识图谱系统的组成框图,与第一实施例相比,本发明仅描述与第一实施例不同的部分,第二实施例提供的军用设备知识图谱系统包括知识图谱构建模块,知识图谱构建模块包括多个子知识图谱构建模块和去重模块,每个子知识图谱构建模块包括测量模块、选择模块和构建模块,其中,
测量模块通过感测装置量测的被分配区域的所有实体集合Tx(t)的实体信息,并向选择模块发送所量测的实体及该实体的测量信息,
选择模块计算实体集合Tx(t)任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关的实体序列Tx(t)={A1,…,As,…,AS};
构建模块确定Ax与Tx(t)={A1,…,As,…,AS}中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,选择模块和构建模块遍历实体集合Tx(t)中的每个实体生成子知识图谱;
去重模块将多个子知识图谱合并将重复的实体和边去重生成军用装备的知识图谱。
第二实施例中,去重模块将多个子知识图谱合并对重复的实体和边去重生成军用装备的知识图谱具体包括:
S01: 每个子知识图谱构建模块通过测量模块拍摄其被测区域包含所有实体的图像,通过卷积神经网络从包含被分配区域的所有实体的图像中提取出所有被测实体的图像信息;
S02:采用自竞争神经网络将多个子知识图谱构建模块中的一个第一子知识图谱构建模块构建的子知识图谱中的每个实体的图像学习到自竞争神经网络中间层的二维神经元中;
S03:将与第一子知识图谱构建模块相邻的第二子知识图谱构建模块构建的子知识图谱中的每个实体的图像输入自竞争神经网络的输入层,输入层输入的第二子知识图谱构建模块构建的子知识图谱中的实体图像与中间层的二维神经元的子知识图谱中的实体图像欧拉距离小于阈值的实体为相同的实体,将相同的实体及边去重,生成军用装备的知识图谱。
本发明第二实施例还提供一种军用设备图谱系统的建立方法,军用设备图谱系统包括多个子知识图谱构建模块和去重模块,每个子知识图谱构建模块包括测量模块、选择模块和构建模块,所述方法包括:
测量模块通过感测装置量测的被分配区域的所有实体集合Tx(t)的实体信息,并向选择模块发送所量测的实体及该实体的测量信息,
通过选择模块计算实体集合Tx(t)任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关的实体序列Tx(t)={A1,…,As,…,AS};
通过构建模块确定Ax与Tx(t)={A1,…,As,…,AS}中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,选择模块和构建模块遍历实体集合Tx(t)中的每个实体生成子知识图谱;
通过去重模块将多个子知识图谱合并将重复的实体和边去重生成军用装备的知识图谱。
第二实施例通过多个子知识图谱构建模块同时建立子知识图谱,而后通过去重模块将多个子知识图谱合并去重生成军用装备的知识图谱,从而提高了建立知识图谱的效率,且建立的军用设备图谱系统相关性强,为人工智能模型的训练提高了效率。
本发明虽然以一个军用设备为例进行了说明,但也适于多个军用设备,用本发明提供的系统和方法可以建立多个军用设备的知识图谱系统。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于知识图谱技术建立的军用设备图谱系统,其特征在于,包括知识图谱构建模块,知识图谱构建模块包括多个测量模块、去重模块、选择模块和构建模块,其中,
每个测量模块Sk通过感测装置量测被分配区域的所有实体信息,并向去重模块发送所量测的实体及该实体的测量信息,k=1,2,…,K;
去重模块对K个测量模块发送来的实体及该实体的测量信息进行计算及剪裁,对实体去重后,筛选出实体集合Ti(t),并记录下实体集合Ti(t)中每个实体的测量信息,将筛选出的实体集合Ti(t)及每个实体的测量信息发送给选择模块;
选择模块计算去重模块发送来的实体集合Ti(t)中的任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS},以及
构建模块确定Ax与Tx(t)={A1,…,As,…,AS}中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,选择模块和构建模块遍历实体集合Ti(t)中的每个实体生成军用设备的知识图谱。
2.根据权利要求1所述基于知识图谱技术建立的军用设备图谱系统,其特征在于,去重模块包括图像获取模块、卷积神经网络和自竞争神经网络,其中,
图像获取模块从每个测量模块获取测量模块所拍摄的其分配区域包含的所有实体的图像;
卷积神经网络从每个测量模块所拍摄的其分配区域包含的所有实体的图像中提取出所有实体的图像信息;
自竞争神经网络将从K个测量模块中的一个第一测量模块拍摄的包括所有实体的图像提取出的所有实体的图像信息学习到自竞争神经网络中间层的二维神经元中;
将从与第一测量模块相邻的第二测量模块拍摄的包括所有实体的图像提取出的所有实体的图像信息输入自竞争神经网络的输入层,输入层输入的实体的图像信息与中间层的二维神经元的实体的图像信息欧拉距离小于阈值的实体视为相同的实体,将相同的实体去重,对重复的实体的测量信息进行融合。
3.根据权利要求2所述的军用设备图谱系统,其特征在于,测量模块Sk发送来的其测量的所有实体的集合记作S(Ak), 被至少2个测量模块重复测量的实体的测量值进行融合处理得到其融合后的测量信息,去重模块对实体去重后得到实体集合Ti(t),集合Ti(t)中的元素记为Ai;
选择模块计算去重模块发送来的实体集合Ti(t)中的任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS}具体包括:
S3.1计算Ti(t)中任一实体Ax与集合Ti(t)内其它实体Ai的综合信息聚集能力评估值CDx-i:
,式中,ki表示实体Ai的度;
S3.2计算实体Ax与实体Ai基于拓扑与交互行为的相关度CIx-i:
CIx-i=β1CTx-i+β2CJx-i
式中CTx-i为Ax与Ai之间的拓扑关系度,CJx-i为Ax与Ai之间的交互频次度,β1与β2为调节系数,
,式中,ΔIi为实体Ax的测量值变化率为ΔIx时实体Ai的测量值变化率;
,式中,fx-i为实体Ax与实体Ai之间在当前时刻t前的信息交互总次数,tn为第n次信息交互时的时间;tn-1为第n-1次信息交互时的时间;
S3.3根据下式计算实体Ax与实体Ai拓扑关联度:
Ex-i=α1CDx-i+α2CIx-i
式中,α1和α2为调节系数;
S3.4根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS}。
4.根据权利要求3所述的军用设备图谱系统,其特征在于, 所述军用设备的知识图谱包括以军用设备及其各系统作为第一实体,军用设备及其各系统之间第一语义关系作为边的系统级知识图谱,各系统为完成军用设备的任务所占的比例作为边的权重;以构成每一系统及其构成该系统的各子系统作为第二实体,系统及各子系统之间、各子系统之间的第二语义关系作为边构建的子系统级知识图谱;以每一子系统及构成该子系统的各装置作为第三实体,子系统及各装置之间、各装置之间的第三语义关系为边的装置级知识图谱;以每一装置及构成该装置的各部件作为第四实体,装置及各部件之间、各部件之间的第四语义关系为边的部件级知识图谱;以每一部件及构成该部件的各元件作为第五实体,部件与元件之间、各元件之间的第五语义关系为边的元件级知识图谱。
5.根据权利要求4所述的军用设备图谱系统,其特征在于,还包括图神经网络模块,其被配置为对系统级知识图谱进行学习预测发生故障或失能的系统;还被配置为根据发生故障或失能的系统对应的子系统级知识图谱进行学习预测发生故障或失能的子系统;还被配置为根据发生故障或失能的子系统对应的装置级知识图谱进行学习预测发生故障或失能的装置;还被配置为根据发生故障或失能的装置对应的部件级知识图谱进行学习预测发生故障或失能的部件,还被配置为根据发生故障或失能的部件对应的元件级知识图谱进行学习预测发生故障或失能的元件。
6.一种基于知识图谱技术建立的军用设备图谱系统,其特征在于,包括多个子知识图谱构建模块和去重模块,每个子知识图谱构建模块包括测量模块、选择模块和构建模块,其中,
测量模块通过感测装置量测的被分配区域的所有实体集合Tx(t)的实体信息,并向选择模块发送所量测的实体及该实体的测量信息,
选择模块计算实体集合Tx(t)任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关的实体序列Tx(t)={A1,…,As,…,AS};
构建模块确定实体Ax与Tx(t)={A1,…,As,…,AS}中的每个实体相连接的边的语义关系及权重生成以实体Ax为中心点的知识图谱,选择模块和构建模块遍历实体集合Tx(t)中的每个实体生成子知识图谱;
去重模块将多个子知识图谱合并将重复的实体和边去重生成军用装备的知识图谱。
7.根据权利要求6所述的基于知识图谱技术建立的军用设备图谱系统,其特征在于,去重模块将多个子知识图谱合并将重复的实体和边去重生成军用装备的知识图谱通过如下步骤实现:
S01: 每个子知识图谱构建模块通过测量模块拍摄其被测区域包含所有实体的图像,通过卷积神经网络从包含被分配区域的所有实体的图像中提取出所有被测实体的图像信息;
S02:采用自竞争神经网络将多个子知识图谱构建模块中的一个第一子知识图谱构建模块构建的子知识图谱中的每个实体的图像学习到自竞争神经网络中间层的二维神经元中;
S03:将与第一子知识图谱构建模块相邻的第二子知识图谱构建模块构建的子知识图谱中的每个实体的图像输入自竞争神经网络的输入层,输入层输入的第二子知识图谱构建模块构建的子知识图谱中的实体图像与中间层的二维神经元的子知识图谱中的实体图像欧拉距离小于阈值的实体为相同的实体,将相同的实体及边去重,生成军用装备的知识图谱。
8.根据权利要求7所述的基于知识图谱技术建立的军用设备图谱系统,其特征在于,选择模块计算去重模块发送来的实体集合Ti(t)中的任一实体Ax与其它实体Ai之间的关联度,根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS}具体包括:
S8.1计算Ti(t)中任一实体Ax与集合Ti(t)内其它实体Ai的综合信息聚集能力评估值CDx-i:
,式中,ki表示实体Ai的度;
S8.2计算实体Ax与实体Ai基于拓扑与交互行为的相关度CIx-i:
CIx-i=β1CTx-i+β2CJx-i
式中CTx-i为Ax与Ai之间的拓扑关系度,CJx-i为Ax与Ai之间的交互频次度,β1与β2为调节系数,
,式中,ΔIi为实体Ax的测量值变化率为ΔIx时实体Ai的测量值变化率;
,式中,fx-i为实体Ax与实体Ai之间在当前时刻t前的信息交互总次数,tn为第n次信息交互时的时间;tn-1为第n-1次信息交互时的时间;
S8.3根据下式计算实体Ax与实体Ai拓扑关联度:
Ex-i=α1CDx-i+α2CIx-i
式中,α1和α2为调节系数;
S8.4根据关联度生成与实体Ax相关联的实体序列Tx(t)={A1,…,As,…,AS}。
9.根据权利要求8所述的军用设备图谱系统,其特征在于, 所述军用设备的知识图谱包括以军用设备及其各系统作为第一实体,军用设备及其各系统之间第一语义关系作为边的系统级知识图谱,各系统为完成军用设备的任务所占的比例作为边的权重;以构成每一系统及其构成该系统的各子系统作为第二实体,系统及各子系统之间、各子系统之间的第二语义关系作为边构建的子系统级知识图谱;以每一子系统及构成该子系统的各装置作为第三实体,子系统及各装置之间、各装置之间的第三语义关系为边的装置级知识图谱;以每一装置及构成该装置的各部件作为第四实体,装置及各部件之间、各部件之间的第四语义关系为边的部件级知识图谱;以每一部件及构成该部件的各元件作为第五实体,部件与元件之间、各元件之间的第五语义关系为边的元件级知识图谱。
10.根据权利要求9所述的军用设备图谱系统,其特征在于,还包括图神经网络模块,其被配置为对系统级知识图谱进行学习预测发生故障或失能的系统;还被配置为根据发生故障或失能的系统对应的子系统级知识图谱进行学习预测发生故障或失能的子系统;还被配置为根据发生故障或失能的子系统对应的装置级知识图谱进行学习预测发生故障或失能的装置;还被配置为根据发生故障或失能的装置对应的部件级知识图谱进行学习预测发生故障或失能的部件,还被配置为根据发生故障或失能的部件对应的元件级知识图谱进行学习预测发生故障或失能的元件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734927.7A CN116484027B (zh) | 2023-06-20 | 2023-06-20 | 基于知识图谱技术建立的军用设备图谱系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734927.7A CN116484027B (zh) | 2023-06-20 | 2023-06-20 | 基于知识图谱技术建立的军用设备图谱系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484027A true CN116484027A (zh) | 2023-07-25 |
CN116484027B CN116484027B (zh) | 2023-08-22 |
Family
ID=87223597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310734927.7A Active CN116484027B (zh) | 2023-06-20 | 2023-06-20 | 基于知识图谱技术建立的军用设备图谱系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484027B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020243116A1 (en) * | 2019-05-26 | 2020-12-03 | Vilynx, Inc. | Self-learning knowledge graph |
CN113886587A (zh) * | 2021-10-09 | 2022-01-04 | 杭州凡闻科技有限公司 | 一种基于深度学习的数据分类方法以及图谱的建立方法 |
CN113961718A (zh) * | 2021-10-28 | 2022-01-21 | 南京航空航天大学 | 一种基于工业机械故障诊断知识图谱的知识推理方法 |
CN115905575A (zh) * | 2023-01-09 | 2023-04-04 | 海乂知信息科技(南京)有限公司 | 语义知识图谱的构建方法、电子设备和存储介质 |
CN116128055A (zh) * | 2023-04-07 | 2023-05-16 | 中关村科学城城市大脑股份有限公司 | 图谱构建方法、装置、电子设备和计算机可读介质 |
US20230169309A1 (en) * | 2021-11-30 | 2023-06-01 | Dalian University Of Technology | Knowledge graph construction method for ethylene oxide derivatives production process |
-
2023
- 2023-06-20 CN CN202310734927.7A patent/CN116484027B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020243116A1 (en) * | 2019-05-26 | 2020-12-03 | Vilynx, Inc. | Self-learning knowledge graph |
CN113886587A (zh) * | 2021-10-09 | 2022-01-04 | 杭州凡闻科技有限公司 | 一种基于深度学习的数据分类方法以及图谱的建立方法 |
CN113961718A (zh) * | 2021-10-28 | 2022-01-21 | 南京航空航天大学 | 一种基于工业机械故障诊断知识图谱的知识推理方法 |
US20230169309A1 (en) * | 2021-11-30 | 2023-06-01 | Dalian University Of Technology | Knowledge graph construction method for ethylene oxide derivatives production process |
CN115905575A (zh) * | 2023-01-09 | 2023-04-04 | 海乂知信息科技(南京)有限公司 | 语义知识图谱的构建方法、电子设备和存储介质 |
CN116128055A (zh) * | 2023-04-07 | 2023-05-16 | 中关村科学城城市大脑股份有限公司 | 图谱构建方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116484027B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
Reddy et al. | Performance evaluation of an adaptive-network-based fuzzy inference system approach for location of faults on transmission lines using Monte Carlo simulation | |
CN111678696A (zh) | 基于联邦学习的机械智能故障诊断方法 | |
Bulakh et al. | Time series classification based on fractal properties | |
CN108427401A (zh) | 一种具有联合连通拓扑的飞行控制系统协同故障诊断方法 | |
CN105761276B (zh) | 基于迭代ransac自适应新生目标强度估计的gm-phd多目标跟踪方法 | |
CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
CN104502922A (zh) | 一种神经网络辅助粒子滤波的gps接收机自主完好性监测方法 | |
CN107944472A (zh) | 一种基于迁移学习的空域运行态势计算方法 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN110852440B (zh) | 一种基于动态模糊神经网络的海洋锋预测方法 | |
CN111340076A (zh) | 一种对新体制雷达目标未知模式的零样本识别方法 | |
Six et al. | Parameter estimation from measurements along quantum trajectories | |
CN116484027B (zh) | 基于知识图谱技术建立的军用设备图谱系统 | |
CN104598748B (zh) | 一种抑制型布尔网络简并度的计算方法 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
Tovkach et al. | Adaptive filtration of parameters of the UAV movement based on the TDOA-measurement sensor networks | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
Wang et al. | FCM algorithm and index CS for the signal sorting of radiant points | |
Joga et al. | Artificial Intelligence in classifying high impedance faults in Electrical Power Distribution System | |
Wang | Fault diagnosis for power systems based on neural networks | |
Kuncheva et al. | Multi-scale community detection in temporal networks using spectral graph wavelets | |
CN112305378A (zh) | 一种光电复合海缆故障测距系统及故障测距方法 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |