CN116975657B - 基于人工经验的即时优势窗口挖掘方法及装置 - Google Patents
基于人工经验的即时优势窗口挖掘方法及装置 Download PDFInfo
- Publication number
- CN116975657B CN116975657B CN202311239334.XA CN202311239334A CN116975657B CN 116975657 B CN116975657 B CN 116975657B CN 202311239334 A CN202311239334 A CN 202311239334A CN 116975657 B CN116975657 B CN 116975657B
- Authority
- CN
- China
- Prior art keywords
- matching degree
- sample data
- elements
- window
- determining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005065 mining Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000523 sample Substances 0.000 description 130
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008485 antagonism Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于人工经验的即时优势窗口挖掘方法及装置,属于态势估计技术领域,该方法包括:获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;实体要素包括目标实体和手段实体,优势要素包括区域要素和能力要素;若样本数据达成窗口模板中的目标实体,则根据样本数据中达成目标实体之前时刻的样本数据分别确定实体要素、优势要素和时间要素的匹配度;根据实体要素、优势要素和时间要素的匹配度,确定综合匹配度;若综合匹配度大于或等于第一阈值,则确定样本数据中存在窗口模板对应的即时优势窗口。上述方案中能够从大量博弈对抗样本数据中自动挖掘出蕴含的即时优势窗口,效率较高。
Description
技术领域
本发明涉及态势估计技术领域,尤其涉及一种基于人工经验的即时优势窗口挖掘方法及装置。
背景技术
在军事领域,即时优势窗口一般是指一方可聚合多域资源,在特定的时空域,对另一方形成局部的综合优势。即时优势窗口是对抗中的关键节点,对于理解对抗过程和改进策略具有重要意义。目前,即时优势窗口大多还是基于人的认识,且普遍存在于相关人员的脑海里。如今随着仿真技术的不断发展,仿真能够产生大量的博弈对抗样本数据,如何挖掘对抗样本数据中蕴含的即时优势窗口是亟需解决的问题。
发明内容
本发明提供一种基于人工经验的即时优势窗口挖掘方法及装置,用以解决现有技术中如何挖掘对抗样本数据中蕴含的即时优势窗口的缺陷,实现一种效率较高的即时优势窗口挖掘方法。
本发明提供一种基于人工经验的即时优势窗口挖掘方法,包括:
获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;
若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;
根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口。
根据本发明提供的一种基于人工经验的即时优势窗口挖掘方法,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述实体要素的匹配度,包括:
根据所述样本数据中包括的手段实体的类型,以及所述窗口模板中的手段实体的类型,确定所述实体要素的匹配度。
根据本发明提供的一种基于人工经验的即时优势窗口挖掘方法,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述优势要素的匹配度,包括:
根据所述窗口模板中区域要素对应的区域以及所述样本数据包括的区域重叠的面积以及所述区域要素对应的区域的面积,确定所述区域要素的匹配度;
根据所述样本数据中的能力类型和能力数值,以及所述窗口模板中的能力类型和能力条件,确定所述能力要素的匹配度;
根据所述区域要素的匹配度以及所述能力要素的匹配度,确定所述优势要素的匹配度。
根据本发明提供的一种基于人工经验的即时优势窗口挖掘方法,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述时间要素的匹配度,包括:
根据所述样本数据,确定满足所述窗口模板中的能力条件的持续时间;
根据所述持续时间的时长以及所述窗口模板的时间要素的时长,确定所述时间要素的匹配度。
根据本发明提供的一种基于人工经验的即时优势窗口挖掘方法,所述根据所述样本数据中的能力类型和能力数值,以及所述窗口模板中的能力类型和能力条件,确定所述能力要素的匹配度,包括:
确定所述样本数据中能力类型,与所述窗口模板中能力类型是否匹配;
若不匹配,则确定所述能力要素的匹配度为0;
若匹配,则确定所述能力数值是否满足所述能力条件;
若满足所述能力条件,则确定所述能力要素的匹配度为1;
若不满足所述能力条件,则利用如下公式(1)确定所述能力要素的匹配度:
(1)
其中,为所述能力要素的匹配度,/>为所述能力数值,/>所为所述能力条件中的第二阈值,/>为容许误差。
根据本发明提供的一种基于人工经验的即时优势窗口挖掘方法,所述根据所述区域要素的匹配度以及所述能力要素的匹配度,确定所述优势要素的匹配度,包括:
根据如下公式(2)确定所述优势要素的匹配度:
(2)
其中,为所述优势要素的匹配度,/>和/>分别是区域要素和能力要素的匹配度;区域要素的匹配度/>,其中/>是窗口模板中区域要素对应的区域和样本数据中区域重叠的面积,/>表示所述区域要素对应的区域的面积,/>和/>分别为所述区域要素和能力要素的匹配度的权重。
根据本发明提供的一种基于人工经验的即时优势窗口挖掘方法,所述根据所述持续时间的时长以及所述窗口模板的时间要素的时长,确定所述时间要素的匹配度,包括:
若所述持续时间的时长大于或等于所述窗口模板中的时间要素的时长,则确定所述时间要素的匹配度为1;
若所述持续时间的时长小于所述窗口模板中的时间要素的时长,则利用如下公式(3)确定所述时间要素的匹配度:
(3)
其中,为所述时间要素的匹配度,/>为所述持续时间的时长,/>为所述窗口模板中的时间要素的时长。
根据本发明提供的一种基于人工经验的即时优势窗口挖掘方法,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述优势要素的匹配度,包括:
针对达成所述目标实体之前时刻的任一帧样本数据,根据所述任一帧样本数据,确定所述任一帧样本数据对应的优势要素的匹配度;所述任一帧样本数据表示任一时刻的样本数据;
根据所述任一帧样本数据对应的优势要素的匹配度,以及所述任一帧样本数据的时刻,确定所述优势要素的匹配度。
本发明还提供一种基于人工经验的即时优势窗口挖掘装置,包括:
获取模块,用于获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;
处理模块,用于若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;
所述处理模块,还用于根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
所述处理模块,还用于若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于人工经验的即时优势窗口挖掘方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于人工经验的即时优势窗口挖掘方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于人工经验的即时优势窗口挖掘方法。
本发明提供的可计算即时优势窗口形式化表征方法及装置,通过获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;进一步,若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口,上述方案中,基于统一的窗口模板的定义,以及预设的窗口模板库,与当前的样本数据基于窗口模板的多个要素进行匹配,获取综合匹配度,进而根据综合匹配度确定样本数据中是否存在窗口模板对应的即时优势窗口,实现了能够自动挖掘样本数据中包括的即时优势窗口,而且能够大大提升发现即时优势窗口的效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于人工经验的即时优势窗口挖掘方法的流程示意图之一;
图2是本发明提供的基于人工经验的即时优势窗口挖掘方法的窗口模板示意图;
图3是本发明提供的基于人工经验的即时优势窗口挖掘方法的流程示意图之二;
图4是本发明提供的基于人工经验的即时优势窗口挖掘装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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作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。
首先,对本发明实施例涉及的名词和应用场景进行介绍:
即时优势窗口是军事领域的重要概念,一般是指一方聚合多域资源,在特定时域、地域对另一方形成局部综合优势。
现有的数据挖掘方法无法直接应用于对即时优势窗口的挖掘,主要有以下两方面的原因:(1)即时优势窗口缺乏形式化的定义手段,即挖掘的对象不明确;(2)战场多方博弈对抗样本数据包含信息维度高、体量大,挖掘算法搜索难度高。
模板是态势估计中的有效方法之一,军事上的模板指的是将态势要素有序组成的模型。现代战场态势要素繁多,必须约简以抽象成简单模板,节省存储空间,提高搜索效率,增强模板匹配的实时性,为战场决策节省宝贵的反应时间。
本发明提出了一种基于人工经验的即时优势窗口挖掘方法,能够基于人类关于即时优势窗口的经验,从大量博弈对抗样本数据中自动挖掘出蕴含的即时优势窗口。首先,设计窗口模板,基于人类经验构建窗口模板,方便将人理解的窗口以窗口模板的方式录入到窗口库中;基于模糊匹配,计算各窗口模板包括的多个要素在样本数据中的匹配度,最终求解窗口的综合匹配度,判断样本数据中是否蕴含相应窗口,发现即时优势窗口的效率较高。
下面结合图1-图5以具体的实施例对本发明实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是本发明提供的基于人工经验的即时优势窗口挖掘方法的流程示意图。如图1-图3所示,本实施例提供的方法,包括:
步骤101、获取预设的窗口模板库中的窗口模板,窗口模板包括:实体要素、优势要素和时间要素;实体要素包括目标实体和手段实体,优势要素包括区域要素和能力要素;
具体的,即时优势是在特定时段和一定战场范围内的局部暂时优势,这种局部的暂时的优势所覆盖的时空范围,可称之为“即时优势窗口”。
为将窗口形式化地表示出来,如图2所示,基于模板思想,设计窗口包含三要素:实体要素、优势要素和时间要素。实体要素分为目标实体和手段实体,手段实体是指为达成目标采用的实体,利用实体ID表示。优势要素分为区域和能力,区域由网格化表示,能力分为对空、探测、对地等,优势通过满足能力条件表示,例如,或战场双方能力对比满足一定条件,其中/>代表区域的能力类型对应的能力数值;/>为二元运算符,可为;/>为第二阈值,通常为常数。时间是优势持续时间,如对空优势持续时间、探测优势持续时间等。
根据大量的样本数据以及人工经验构建窗口模板库。窗口模板库包括多个窗口模板,例如不同场景下的窗口模板。窗口模板中包含三要素:实体要素、优势要素和时间要素以及对应的数据。
步骤102、若样本数据达成窗口模板中的目标实体,则根据样本数据中达成目标实体之前时刻的样本数据分别确定实体要素、优势要素和时间要素的匹配度;
具体的,对于窗口模板目标实体/>手段实体/>区域能力/>阈值/>时间/>。首先,针对对抗样本数据/>,该样本数据记录的是离散时刻下的实体信息,如位置、国别、载荷、油量等,判断窗口模板CK中实体要素的目标实体达成情况,若目标未达成,则该样本数据不包含窗口模板CK对应的即时优势窗口。若目标达成,则定位目标成功达成的初始态势帧/>,为/>时刻的样本数据,例如包括实体信息。
然后,以目标达成的态势帧向前追溯,分别计算实体要素、优势要素和时间要素的匹配度。
如图3所示,若样本数据未达成窗口模板中的目标实体,则窗口不匹配,即该样本数据中不包括窗口模板对应的即时优势窗口。
步骤103、根据实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
具体的,可以对实体要素、优势要素和时间要素的匹配度进行加权处理,得到综合匹配度。
可选地,利用如下公式确定所述综合匹配度:
其中,为综合匹配度,/>是要素/>的权重,/>为要素/>的匹配度。
3个要素分别是实体要素、优势要素和时间要素。
可选地,权重可以基于各个要素的重要程度确定,例如权重相同。
步骤104、若综合匹配度大于或等于第一阈值,则确定样本数据中存在窗口模板对应的即时优势窗口。
具体的,如果综合匹配度,/>为预先设置的第一阈值,则该窗口模板为匹配成功的模板,则认为该样本数据中出现了窗口模板对应的即时优势窗口。
如果综合匹配度,则认为窗口不匹配,即该样本数据中不包括窗口模板对应的即时优势窗口。
本实施例的方法,基于统一的窗口模板的定义,以及预设的窗口模板库,与当前的样本数据基于窗口模板的多个要素进行匹配,获取综合匹配度,进而根据综合匹配度确定样本数据中是否存在窗口模板对应的即时优势窗口,实现了能够自动挖掘样本数据中包括的即时优势窗口,而且能够大大提升发现即时优势窗口的效率。
可选地,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述实体要素的匹配度,可以通过如下方式实现:
根据所述样本数据中包括的手段实体的类型,以及所述窗口模板中的手段实体的类型,确定所述实体要素的匹配度。
具体的,根据手段实体的类型确定实体要素的匹配度,如窗口模板包括的实体要素中手段实体的类型为战斗机,样本数据中达成目标所用的手段实体的类型也为战斗机,则实体要素的匹配度,否则/>。
可选地,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述优势要素的匹配度,具体可以通过如下方式实现:
根据所述窗口模板中区域要素对应的区域以及所述样本数据包括的区域重叠的面积以及所述区域要素对应的区域的面积,确定所述区域要素的匹配度;
根据所述样本数据中的能力类型和能力数值,以及所述窗口模板中的能力类型和能力条件,确定所述能力要素的匹配度;
根据所述区域要素的匹配度以及所述能力要素的匹配度,确定所述优势要素的匹配度。
具体的,按照窗口模板,分别从区域要素和能力要素两个方面进行计算,对于区域要素的匹配度,根据窗口模板中区域的面积大小,以及窗口模板中的区域以及样本数据中包括的区域重叠的面积;
可选地,区域要素的匹配度,其中/>是窗口模板中区域要素对应的区域和样本数据中区域重叠的面积,/>表示所述区域要素对应的区域的面积。
对于能力要素的匹配度,首先确定样本数据中的能力类型与窗口模板中的能力类型是否匹配,如果匹配,则根据样本数据中的能力数值,以及所述窗口模板中的能力条件,确定能力要素的匹配度。例如样本数据中的能力数值能够满足窗口模板中的能力条件,则确定能力要素的匹配度为1。如果能力类型不匹配,则确定能力要素的匹配度为0。
还可以进行模糊匹配,如果样本数据中的能力数值能够满足窗口模板中的能力条件,则根据一定的容许误差,以及样本数据中的能力数值和能力条件,确定能力要素的匹配度。
最终,根据区域要素的匹配度以及能力要素的匹配度,确定优势要素的匹配度,可以是对区域要素的匹配度以及能力要素的匹配度进行加权处理。
可选地,根据如下公式(2)确定所述优势要素的匹配度:
(2)
其中,为所述优势要素的匹配度,/>和/>分别是区域要素和能力要素的匹配度;/>和/>分别为所述区域要素和能力要素的匹配度的权重。
上述实施方式中,基于统一的窗口模板的定义,以及预设的窗口模板库中的窗口模板,与当前的样本数据基于窗口模板的区域要素和能力要素进行匹配,获取区域要素和能力要素对的匹配度,进而根据区域要素和能力要素匹配度确定优势要素的匹配度,进而能够确定出样本数据中是否存在窗口模板对应的即时优势窗口,实现了能够自动挖掘样本数据中包括的即时优势窗口,而且能够大大提升发现即时优势窗口的效率。
可选地,可以通过如下方式确定能力要素的匹配度:
确定所述样本数据中能力类型,与所述窗口模板中能力类型是否匹配;
若不匹配,则确定所述能力要素的匹配度为0;
若匹配,则确定所述能力数值是否满足所述能力条件;
若满足所述能力条件,则确定所述能力要素的匹配度为1;
若不满足所述能力条件,则利用如下公式(1)确定所述能力要素的匹配度:
(1)
其中,为所述能力要素的匹配度,/>为所述能力数值,/>所为所述能力条件中的第二阈值,/>为容许误差。
具体的,首先确定能力类型是否匹配,即样本数据中能力类型,与所述窗口模板中能力类型是否匹配,若能力类型不匹配,则;若能力类型匹配,样本数据中能力数值为/>,若/>,则/>;若/>,设/>是容许误差,则。
可选地,和/>为0.5。
上述实施方式中,基于模糊匹配,确定出能力要素对应的匹配度,效率较高,灵活性较大。
可选地,针对达成所述目标实体之前时刻的任一帧样本数据,根据所述任一帧样本数据,确定所述任一帧样本数据对应的优势要素的匹配度;所述任一帧样本数据表示任一时刻的样本数据;
根据所述任一帧样本数据对应的优势要素的匹配度,以及所述任一帧样本数据的时刻,确定所述优势要素的匹配度。
具体的,以为达成目标对应的态势帧,即/>时刻对应的样本数据,截取态势片段/>,从/>往前追溯,依次确定/>态势帧与窗口模板中优势要素的匹配度,/>的取值范围为从/>到1,取匹配度大于第三阈值的时间段,得到对应的优势要素的匹配度分别为/>,则在该时间端内的优势要素的匹配度,可以通过对/>进行计算得到,例如计算平均值,或加权平均值等。
可选地,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述时间要素的匹配度,具体可以通过如下方式实现:
根据所述样本数据,确定满足所述窗口模板中的能力条件的持续时间;
根据所述持续时间的时长以及所述窗口模板的时间要素的时长,确定所述时间要素的匹配度。
具体的,根据所述样本数据,确定满足所述窗口模板中的能力条件的持续时间,即优势持续时间。例如能力条件为能力数值大于第二阈值,则根据样本数据,确定在目标时间段内能力数据是否大于该第二阈值,若是,则将该目标时间段,确定为满足所述窗口模板中的能力条件的持续时间,即优势持续时间。
可选地,若满足所述窗口模板中的能力条件的持续时间的时长大于或等于所述窗口模板中的时间要素的时长,则确定所述时间要素的匹配度为1;
若满足所述窗口模板中的能力条件的持续时间的时长小于所述窗口模板中的时间要素的时长,则利用如下公式(3)确定所述时间要素的匹配度:
(3)
其中,为所述时间要素的匹配度,/>为满足所述窗口模板中的能力条件的持续时间的时长,/>为所述窗口模板中的时间要素的时长。
具体的,根据样本数据计算满足所述窗口模板中的能力条件的持续时间的时长为,设窗口模板定义的时间要素的长度为/>,若/>,则/>;若/>,则时间匹配度/>。
完成对三要素匹配度计算后,分别得到,窗口的综合匹配度;
其中是各要素的权重,例如/>。如果/>,/>为设置的第一阈值,则接受该窗口模板为匹配成功的模板,则认为该样本数据中出现了该窗口模板对应的即时优势窗口。上述实施方式中,基于模糊匹配,确定出时间要素对应的匹配度,效率较高,灵活性较大。
综上所述,本发明实施例的方法具有以下有点:
(1)此技术方案中,基于模板思想,对即时优势窗口进行抽象,即从实体、优势、时间三要素对窗口进行刻画,并给出了每个要素的表示方式,使得能够在统一的框架下定义窗口,构建窗口库,方便计算机的理解和计算。
(2)此技术方案中,基于模糊匹配的思想,针对窗口模板,设计模糊匹配算法,首先从样本数据中,计算各要素的匹配度;然后再计算窗口的综合匹配度的值,若大于第一阈值即认可窗口存在,使机器能够自动从对抗样本数据中发现蕴含的窗口,可利用机器算力大大提升发现窗口的效率。
示例性地,以打击舰船窗口SCK为例,构建的窗口模板为{实体:<舰船ID,轰炸机>,优势:<设施周围,战场双方对空能力对比为5:1>,时间:1h};其中,舰船为目标实体;轰炸机为手段实体;
(1)针对样本数据,依据舰船ID判断出态势帧/>中该舰船被摧毁,提取打击目标实体的装备类型,计算与轰炸机的匹配程度/>。
(2)以为终态势,截取态势片段/>,从/>往前追溯,依次判断/>态势帧与优势要素的匹配度,取匹配度大于0.8的时间段,得/>的优势要素匹配度分别为/>,则优势要素的平均匹配度为
(3)计算时间匹配度;在/>时间段内满足战场双方对空能力对比为5:1。
(4)计算综合匹配度
如果,则说明样本数据/>中包含窗口SCK。
下面对本发明提供的基于人工经验的即时优势窗口挖掘装置进行描述,下文描述的基于人工经验的即时优势窗口挖掘装置与上文描述的基于人工经验的即时优势窗口挖掘方法可相互对应参照。
图4是本发明提供的基于人工经验的即时优势窗口挖掘装置的结构示意图。如图4所示,本实施例提供的基于人工经验的即时优势窗口挖掘装置,包括:
获取模块410,用于获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;
处理模块420,用于若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;
所述处理模块420,还用于根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
所述处理模块420,还用于若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口。
可选地,所述处理模块420,具体用于:
根据所述样本数据中包括的手段实体的类型,以及所述窗口模板中的手段实体的类型,确定所述实体要素的匹配度。
可选地,所述处理模块420,具体用于:
根据所述窗口模板中区域要素对应的区域以及所述样本数据包括的区域重叠的面积以及所述区域要素对应的区域的面积,确定所述区域要素的匹配度;
根据所述样本数据中的能力类型和能力数值,以及所述窗口模板中的能力类型和能力条件,确定所述能力要素的匹配度;
根据所述区域要素的匹配度以及所述能力要素的匹配度,确定所述优势要素的匹配度。
可选地,所述处理模块420,具体用于:
根据所述样本数据,确定满足所述窗口模板中的能力条件的持续时间;
根据所述持续时间的时长以及所述窗口模板的时间要素的时长,确定所述时间要素的匹配度。
可选地,所述处理模块420,具体用于:
确定所述样本数据中能力类型,与所述窗口模板中能力类型是否匹配;
若不匹配,则确定所述能力要素的匹配度为0;
若匹配,则确定所述能力数值是否满足所述能力条件;
若满足所述能力条件,则确定所述能力要素的匹配度为1;
若不满足所述能力条件,则利用如下公式(1)确定所述能力要素的匹配度:
(1)
其中,为所述能力要素的匹配度,/>为所述能力数值,/>所为所述能力条件中的第二阈值,/>为容许误差。
可选地,所述处理模块420,具体用于:
根据如下公式(2)确定所述优势要素的匹配度:
(2)
其中,为所述优势要素的匹配度,/>和/>分别是区域要素和能力要素的匹配度;区域要素的匹配度/>,其中/>是窗口模板中区域要素对应的区域和样本数据中区域重叠的面积,/>表示所述区域要素对应的区域的面积,/>和/>分别为所述区域要素和能力要素的匹配度的权重。
可选地,所述处理模块420,具体用于:
若所述持续时间的时长大于或等于所述窗口模板中的时间要素的时长,则确定所述时间要素的匹配度为1;
若所述持续时间的时长小于所述窗口模板中的时间要素的时长,则利用如下公式(3)确定所述时间要素的匹配度:
(3)
其中,为所述时间要素的匹配度,/>为所述持续时间的时长,/>为所述窗口模板中的时间要素的时长。
可选地,所述处理模块420,具体用于:
针对达成所述目标实体之前时刻的任一帧样本数据,根据所述任一帧样本数据,确定所述任一帧样本数据对应的优势要素的匹配度;所述任一帧样本数据表示任一时刻的样本数据;
根据所述任一帧样本数据对应的优势要素的匹配度,以及所述任一帧样本数据的时刻,确定所述优势要素的匹配度。
本发明实施例的装置,其用于执行前述任一方法实施例中的方法,其实现原理和技术效果类似,此次不再赘述。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行基于人工经验的即时优势窗口挖掘方法,该方法包括:获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;
若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;
根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于人工经验的即时优势窗口挖掘方法,该方法包括:
获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;
若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;
根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于人工经验的即时优势窗口挖掘方法,该方法包括:
获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;
若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;
根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工经验的即时优势窗口挖掘方法,其特征在于,包括:
获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;
若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;
根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口。
2.根据权利要求1所述的基于人工经验的即时优势窗口挖掘方法,其特征在于,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述实体要素的匹配度,包括:
根据所述样本数据中包括的手段实体的类型,以及所述窗口模板中的手段实体的类型,确定所述实体要素的匹配度。
3.根据权利要求1或2所述的基于人工经验的即时优势窗口挖掘方法,其特征在于,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述优势要素的匹配度,包括:
根据所述窗口模板中区域要素对应的区域以及所述样本数据包括的区域重叠的面积以及所述区域要素对应的区域的面积,确定所述区域要素的匹配度;
根据所述样本数据中的能力类型和能力数值,以及所述窗口模板中的能力类型和能力条件,确定所述能力要素的匹配度;
根据所述区域要素的匹配度以及所述能力要素的匹配度,确定所述优势要素的匹配度。
4.根据权利要求1或2所述的基于人工经验的即时优势窗口挖掘方法,其特征在于,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述时间要素的匹配度,包括:
根据所述样本数据,确定满足所述窗口模板中的能力条件的持续时间;
根据所述持续时间的时长以及所述窗口模板的时间要素的时长,确定所述时间要素的匹配度。
5.根据权利要求3所述的基于人工经验的即时优势窗口挖掘方法,其特征在于,所述根据所述样本数据中的能力类型和能力数值,以及所述窗口模板中的能力类型和能力条件,确定所述能力要素的匹配度,包括:
确定所述样本数据中能力类型,与所述窗口模板中能力类型是否匹配;
若不匹配,则确定所述能力要素的匹配度为0;
若匹配,则确定所述能力数值是否满足所述能力条件;
若满足所述能力条件,则确定所述能力要素的匹配度为1;
若不满足所述能力条件,则利用如下公式(1)确定所述能力要素的匹配度:
(1)
其中,为所述能力要素的匹配度,/>为所述能力数值,/>所为所述能力条件中的第二阈值,/>为容许误差。
6.根据权利要求3所述的基于人工经验的即时优势窗口挖掘方法,其特征在于,所述根据所述区域要素的匹配度以及所述能力要素的匹配度,确定所述优势要素的匹配度,包括:
根据如下公式(2)确定所述优势要素的匹配度:
(2)
其中,为所述优势要素的匹配度,/>和/>分别是区域要素和能力要素的匹配度;区域要素的匹配度/>,其中/>是窗口模板中区域要素对应的区域和样本数据中区域重叠的面积,/>表示所述区域要素对应的区域的面积,/>和/>分别为所述区域要素和能力要素的匹配度的权重。
7.根据权利要求4所述的基于人工经验的即时优势窗口挖掘方法,其特征在于,所述根据所述持续时间的时长以及所述窗口模板的时间要素的时长,确定所述时间要素的匹配度,包括:
若所述持续时间的时长大于或等于所述窗口模板中的时间要素的时长,则确定所述时间要素的匹配度为1;
若所述持续时间的时长小于所述窗口模板中的时间要素的时长,则利用如下公式(3)确定所述时间要素的匹配度:
(3)
其中,为所述时间要素的匹配度,/>为所述持续时间的时长,/>为所述窗口模板中的时间要素的时长。
8.根据权利要求1或2所述的基于人工经验的即时优势窗口挖掘方法,其特征在于,根据所述样本数据中达成所述目标实体之前时刻的样本数据确定所述优势要素的匹配度,包括:
针对达成所述目标实体之前时刻的任一帧样本数据,根据所述任一帧样本数据,确定所述任一帧样本数据对应的优势要素的匹配度;所述任一帧样本数据表示任一时刻的样本数据;
根据所述任一帧样本数据对应的优势要素的匹配度,以及所述任一帧样本数据的时刻,确定所述优势要素的匹配度。
9.一种基于人工经验的即时优势窗口挖掘装置,其特征在于,包括:
获取模块,用于获取预设的窗口模板库中的窗口模板,所述窗口模板包括:实体要素、优势要素和时间要素;所述实体要素包括目标实体和手段实体,所述优势要素包括区域要素和能力要素;
处理模块,用于若样本数据达成所述窗口模板中的目标实体,则根据所述样本数据中达成所述目标实体之前时刻的样本数据分别确定所述实体要素、优势要素和时间要素的匹配度;
所述处理模块,还用于根据所述实体要素、优势要素和时间要素的匹配度,确定综合匹配度;
所述处理模块,还用于若所述综合匹配度大于或等于第一阈值,则确定所述样本数据中存在所述窗口模板对应的即时优势窗口。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述基于人工经验的即时优势窗口挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311239334.XA CN116975657B (zh) | 2023-09-25 | 2023-09-25 | 基于人工经验的即时优势窗口挖掘方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311239334.XA CN116975657B (zh) | 2023-09-25 | 2023-09-25 | 基于人工经验的即时优势窗口挖掘方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975657A CN116975657A (zh) | 2023-10-31 |
CN116975657B true CN116975657B (zh) | 2023-11-28 |
Family
ID=88471646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311239334.XA Active CN116975657B (zh) | 2023-09-25 | 2023-09-25 | 基于人工经验的即时优势窗口挖掘方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975657B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634858A (zh) * | 2024-01-26 | 2024-03-01 | 中国人民解放军军事科学院国防科技创新研究院 | 基于即时优势窗口的人机混合方案生成方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781284A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 基于知识图谱的问答方法、装置和存储介质 |
CN116186284A (zh) * | 2023-01-17 | 2023-05-30 | 东软集团股份有限公司 | 知识图谱的构建方法、应用方法及其对应装置 |
CN116796726A (zh) * | 2023-05-31 | 2023-09-22 | 招商银行股份有限公司 | 简历解析方法、装置、终端设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11562555B2 (en) * | 2021-06-02 | 2023-01-24 | The Nielsen Company (Us), Llc | Methods, systems, articles of manufacture, and apparatus to extract shape features based on a structural angle template |
-
2023
- 2023-09-25 CN CN202311239334.XA patent/CN116975657B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781284A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 基于知识图谱的问答方法、装置和存储介质 |
CN116186284A (zh) * | 2023-01-17 | 2023-05-30 | 东软集团股份有限公司 | 知识图谱的构建方法、应用方法及其对应装置 |
CN116796726A (zh) * | 2023-05-31 | 2023-09-22 | 招商银行股份有限公司 | 简历解析方法、装置、终端设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于全要素任务模型的肢残者能力――任务匹配度评价方法;付艳;汤贤;刘世平;李世其;;工业工程与管理(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116975657A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310802B (zh) | 一种基于生成对抗网络的对抗攻击防御训练方法 | |
CN116975657B (zh) | 基于人工经验的即时优势窗口挖掘方法及装置 | |
Gentleman et al. | Maximum likelihood for interval censored data: Consistency and computation | |
CN111445007B (zh) | 对抗生成神经网络的训练方法及系统 | |
US11176469B2 (en) | Model training methods, apparatuses, and systems | |
CN113536383B (zh) | 基于隐私保护训练图神经网络的方法及装置 | |
Mir et al. | A differentially private estimator for the stochastic kronecker graph model | |
CN106682514B (zh) | 基于子图挖掘的系统调用序列特征模式集生成方法 | |
CN111625820A (zh) | 一种基于面向AIoT安全的联邦防御方法 | |
CN112600794A (zh) | 一种联合深度学习中检测gan攻击的方法 | |
CN106817390B (zh) | 一种用户数据共享的方法和设备 | |
Chen et al. | Heat kernels for non-symmetric non-local operators | |
CN112613435A (zh) | 人脸图像生成方法、装置、设备及介质 | |
CN113220902A (zh) | 知识图谱的信息处理方法、装置、电子设备及存储介质 | |
Qian et al. | Towards understanding and enhancing robustness of deep learning models against malicious unlearning attacks | |
CN114157480A (zh) | 网络攻击方案的确定方法、装置、设备和存储介质 | |
CN106844338B (zh) | 基于属性间依赖关系的网络表格的实体列的检测方法 | |
Bobrowski | Generation of cosine families via Lord Kelvin’s method of images | |
CN111241571A (zh) | 一种数据共享方法及模型、存储介质 | |
CN107622201B (zh) | 一种抗加固的Android平台克隆应用程序快速检测方法 | |
CN113704256B (zh) | 数据识别方法、装置、电子设备及存储介质 | |
CN115495578A (zh) | 基于最大熵损失的文本预训练模型后门消除方法、系统及介质 | |
CN114491889A (zh) | 一种作战体系网络关键节点识别方法及装置 | |
CN112750047B (zh) | 行为关系信息提取方法及装置、存储介质、电子设备 | |
Gao et al. | An efficient framework for multiple subgraph pattern matching models |
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 |