CN117217392B - 一种通用装备保障需求的确定方法及装置 - Google Patents
一种通用装备保障需求的确定方法及装置 Download PDFInfo
- Publication number
- CN117217392B CN117217392B CN202311472664.3A CN202311472664A CN117217392B CN 117217392 B CN117217392 B CN 117217392B CN 202311472664 A CN202311472664 A CN 202311472664A CN 117217392 B CN117217392 B CN 117217392B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment information
- universal
- general
- universal 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 8
- 238000000540 analysis of variance Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 238000011068 loading method Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012367 process mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通用装备保障需求的确定方法及装置，其中方法包括：获取与通用装备信息相关的原始数据，基于处理后的数据，获取目标数据；基于目标数据构建本体，基于本体与目标数据构建通用装备信息知识图谱；基于通用装备信息知识图谱，获取通用装备信息数据指标，将通用装备信息数据指标输入训练完毕的通用装备保障需求预测模型，所述通用装备保障需求预测模型输出的结果作为保障需求的预测结果；根据通用装备保障需求评估模型对所述保障需求的预测结果进行评估，评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果。本方法提高通用装备的可靠性水平，提供数据决策支撑。
Description
技术领域
本发明涉及通用装备保障需求量化技术领域，尤其是一种通用装备保障需求的确定方法及装置。
背景技术
通用装备是指具有明显的军地通用性的各种技术装备及其物资器材，即其基本功能既适合于军用又适合于民用，如通用车辆、油机、UPS等。相较主战装备，通用装备的管理和使用面临问题，管理手段单一、全寿命管理信息要素实时共享难、人装搭配与装备应用策略未达到作战效能最大化、通用装备信息化程度低、高原气候环境下装备的维护保养技能和方法少等。通用装备保障需求是指在一定条件下实施通用装备保障行动和完成通用装备保障任务所需要的本领与水平，不断发展科学技术和作战理念，保证通用装备保障能力满足任务需求、使通用装备保障能力需求与建设一致，对提升战斗力产生积极影响；随着经济、政治、军事的新形势的发展，统筹形成通用装备保障能力需求与建设的一致性，提高通用装备保障能力建设。
现有技术的解决方案例如采用经验推算法和理论计算法。
经验推算法也称典型战例分析法，详细记录典型战例，分析对比典型战例的指挥工作、任务分配、战场环境、保障物资、战略进程、结果优劣，总结量化固定模板的数据资料，根据目前战争态势，新增现代化战争特点，修正补充固定模板数据资料，精准预测未来作战装备保障需求量。经验推算法的优点是有较强可行性，具有一定现代化战争适应性。缺点是，第一，分析过程中使用多个特定战例，数据来源具有主观性和特殊性，不具有普适性，第二，现在使用以计算机科学为核心的信息技术，由于持续改变的内部因素和外部因素，装备保障需要能在准确的时间、准确的地点为部队提供准确数量、高质量的装备物资和技术保障，经验推算法很难适应以信息技术为核心的特点，无法满足准确性和及时性的要求，体现出历史局限性。
理论计算法根据作战双方军事理论原则、编制武器装备数量、军事技术性能和战略战术手段等基本理论数据，使用数学方法计算装备的消耗数量，确定所需保障资源和保障技术。理论计算法分为任务量法和战斗推演法。任务量法是根据担负的任务量的大小，结合作战目标的兵力部署、火力配备、防御工事建造等战略规划的特点，根据作战部队的经验基础和判断水平，估算完成战略规划任务的前提下需要的最少的装备保障资源。战斗推演法是根据双方的战略背景、战术等级、部署、战术目标、攻击防御方、作战时间、胜负评价计划等，结合攻击防御计划、战斗目标和保障需求，粗略估计装备消耗量、维修装备有效需求时间，制定需要保障资源和技术的方法。理论计算法的优点是根据对阵双方军事策略原则、规划武器装备数量、装备技术能力和战略策略等基本理论数据资源，结合现实条件需求，使用数学方法计算装备物资和技术的需求状况，具有科学性。理论计算法的缺点是计算过程复杂，需要较多的人为主观能动性，理论计算方法预测装备保障资源和技术供应缺乏及时性和客观性。
发明内容
本发明提出一种通用装备保障需求的确定方法及装置，能够解决现有技术无法满足准确性和及时性、计算过程复杂的技术问题。
在本发明上述各方法实施例中，一种通用装备保障需求的确定方法，包括：
步骤S1：获取与通用装备信息相关的原始数据，所述原始数据包括结构化数据和非结构化数据；
步骤S2：对所述原始数据进行预处理，得到处理后的数据；
步骤S3：基于所述处理后的数据，获取目标数据，所述目标数据为经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据；基于所述目标数据构建本体，基于本体与所述目标数据构建通用装备信息知识图谱；
步骤S4：基于所述通用装备信息知识图谱，获取通用装备信息数据指标，将通用装备信息数据指标输入训练完毕的通用装备保障需求预测模型，所述通用装备保障需求预测模型输出的结果作为保障需求的预测结果；
步骤S5：根据通用装备保障需求评估模型对所述保障需求的预测结果进行评估，评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果。
可选地，所述步骤S3，包括：
步骤S31：基于所述处理后的数据，识别所述处理后的数据中通用装备信息数据源，将通过数据分析方法计算得到的通用装备信息数据变量的分布的统计信息，以及通过机器学习方法识别得到的通用装备类型信息作为通用装备信息相关的数据的元数据；
步骤S32：通过逆向工程和映射方法，将所述目标数据中的经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据进行转换，转换后的文本作为初始本体；对所述初始本体进行本体学习，组合新的通用装备信息数据，得到更新后的本体；从各个异质的通用装备信息数据源中，得到各通用装备信息数据源的特征和概念，将所述通用装备信息数据源的特征和概念作为模式元素；匹配所述更新后的本体与所述模式元素，每对匹配的所述更新后的本体与所述模式元素均作为所述通用装备信息的第一本体；对全部第一本体进行整合，得到合并的通用装备信息本体；将所述合并的通用装备信息本体作为基于所述目标数据构建的本体；
步骤S33：从所述目标数据中获取知识图谱要素，所述知识图谱要素包括与通用装备信息相关的实体、通用装备信息相关的关系以及实体之间的连接关系；其中，提取与通用装备信息相关的概念、属性和关系，作为与通用装备信息相关的实体，将通用装备信息在线百科全书数据和文本数据之间的关系作为通用装备信息相关的关系，从所述目标数据中提取通用装备信息数据概念、属性和关系，对于通用装备信息相关的实体，有不同的属性集合，实体之间具有不同的连接关系；
步骤S34：将所述基于所述目标数据构建的实体，以及所述知识图谱要素进行融合，得到第二通用装备信息实体；
步骤S35：基于融合后的第二通用装备信息实体，构建通用装备信息知识图谱。
可选地，所述对全部第一本体进行整合，是基于整合策略对全部第一本体进行整合；所述整合策略包括简单合并、完全合并、非对称合并；所述简单合并是指各第一本体对应的实体之间差异超过第一预设标准时，把所有输入的第一本体导入一个通用装备信息本体，在所有输入的等价的第一本体之间构造等价类或等价特征关系，导入后的该通用装备信息本体作为第二本体；当各第一本体对应的关系之间差异超过第二预设标准时，全部第一本体进行完全合并，完全合并的方式为，把所有输入的第一本体导入一个通用装备信息本体，获取全部所述第一本体的关系，将获取的各个关系取并集，根据关系的并集获得通用装备信息本体的集群，不改变等价的通用装备信息本体的集群，合并等价的通用装备信息本体的集群，进入一个唯一的通用装备信息本体；当各第一本体对应的概念、关系和规则之间差异超过第三预设标准时，各第一本体和一个目标通用装备信息本体进行非对称合并，非对称合并的方式为，把各第一本体导入一个目标通用装备信息本体，通过合并匹配的第一本体，合并后的结果输入所述目标通用装备信息本体。
可选地，所述步骤S4，包括：
步骤S41：获取通用装备信息数据指标，使用VGG-16从所述通用装备信息数据指标进行特征提取，获取特征提取后的通用装备信息数据指标；
步骤S42：使用方差分析对提取后的通用装备信息数据指标进行特征选择；
步骤S43：对选择后的通用装备信息数据指标进行特征对齐，将特征对齐后的选择后的通用装备信息数据指标作为输入特征向量；
步骤S44：对所述输入特征向量，使用一维卷积神经网络进行通用装备保障需求预测，得到第一通用装备保障需求预测结果；
步骤S45：将所述第一通用装备保障需求预测结果输入第二网络模型，所述第二网络模型的结构包括通过捷径连接组合的一维卷积神经网络和残差块，以及输出层；所述一维卷积神经网络从所述第一通用装备保障需求预测结果中提取特征映射，特征映射经由残差块处理，再全连接到输出层，得到保障需求的预测结果。
可选地，所述步骤S5，包括：
步骤S51：构建指标评价体系及通用装备保障需求评估模型；获取所述保障需求的预测结果；将所述保障需求的预测结果输入装备保障需求评估模型，得到评估结果；
步骤S52：评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果。
可选地，所述步骤S51，包括：
步骤S511：将待评估的通用装备保障需求预测结果通过逆向云发生器进行定性转换，转换方式为：
根据所述待评估的通用装备保障需求预测结果计算均值：
其中，Ex为均值，为均值，n为待评估的通用装备保障需求预测结果个数，i为待评估的通用装备保障需求预测结果的下标，xi为第i个待评估的通用装备保障需求预测结果；
根据所述待评估的通用装备保障需求预测结果计算第一方差：
根据所述待评估的通用装备保障需求预测结果计算熵、超熵：
输入所述待评估的通用装备保障需求预测结果的云特征向量，
将所述云特征向量输入正向云发生器num次以生成num个云滴，由num个云滴组成通用装备保障需求评估指标云；其中，生成一个云滴的方式为：
生成高斯随机数：，/>是第一期望值，/>是第二方差，为期望是/>方差是/>的正态分布；
生成高斯随机数：，/>是第二期望值，/>是第三方差，x为生成的高斯随机数列，/>为期望是/>方差是/>的正态分布；
计算，确定u(x)的度，得到转换后的/>，即为论域内的一个云滴；
步骤S512：确定通用装备保障需求评估标尺云，包括：将通用装备保障需求评估等级划分为5个等级，即：，分别对应“非常差”、“差”、“一般”、“良好”、“优秀”，确定各个等级对应的数字特征（Ex，En，He）；
步骤S513：确定通用装备保障需求评估指标云和通用装备保障需求评估标尺云的相似度，包括：
确定通用装备保障需求评估指标云的数字特征，
其中，是第i个指标的权重，/>是第i个指标的通用装备保障需求预测结果均值，/>是待评估的通用装备保障需求预测结果第i个指标的熵，/>是待评估的通用装备保障需求预测结果第i个指标的超熵；
确定通用装备保障需求评估标尺云的数字特征为，通用装备保障需求评估指标云的数字特征与通用装备保障需求评估标尺云的数字特征之间距离为：
其中，w是云数字特征权重，且
确定通用装备保障需求评估指标云和通用装备保障需求评估标尺云相似度阈值，/>是待评估的通用装备保障需求预测结果期望的权重，/>是待评估的通用装备保障需求预测结果熵的权重，/>是待评估的通用装备保障需求预测结果超熵的权重；
通用装备保障需求评估指标云与通用装备保障需求评估标尺云的相似度为：
基于通用装备保障需求评估指标云与通用装备保障需求评估标尺云的相似度确定通用装备保障需求评估等级。
在本发明上述各方法实施例中，一种通用装备保障需求的确定装置，包括：
数据获取模块：配置为获取与通用装备信息相关的原始数据，所述原始数据包括结构化数据和非结构化数据；
预处理模块：配置为对所述原始数据进行预处理，得到处理后的数据；
知识图谱构建模块：配置为基于所述处理后的数据，获取目标数据，所述目标数据为经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据；基于所述目标数据构建本体，基于本体与所述目标数据构建通用装备信息知识图谱；
预测模块：配置为基于所述通用装备信息知识图谱，获取通用装备信息数据指标，将通用装备信息数据指标输入训练完毕的通用装备保障需求预测模型，所述通用装备保障需求预测模型输出的结果作为保障需求的预测结果；
评估模块：配置为根据通用装备保障需求评估模型对所述保障需求的预测结果进行评估，评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果。
在本发明上述各方法实施例中，一种计算机可读存储介质，所述存储介质中存储有多条指令，所述多条指令用于由处理器加载并执行如前所述方法。
在本发明上述各方法实施例中，一种电子设备，所述电子设备，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令用于由所述存储器存储，并由所述处理器加载并执行如前所述方法。
本发明获取与通用装备信息相关的原始数据，包括结构化数据和非结构化数据；对通用装备信息原始数据进行数据预处理，处理缺失值，噪音和冗余信息等，使数据满足后续算法输入的要求，并进行数据清洗，减少数据复杂性和数据转换，进行数据正则化等；经过预处理，获得目标数据；基于目标数据，构建通用装备信息本体；依据通用装备信息本体并结合目标数据，构建通用装备信息知识图谱；基于通用装备信息知识图谱，利用深度学习模型构建通用装备保障需求预测模型，将待预测通用装备输入通用装备保障需求预测模型中，获得通用装备保障需求预测结果；基于通用装备信息知识图谱和通用装备保障需求预测结果，构建基于云模型的通用装备保障需求评估模型，实现定性与定量之间的相互转换，直观展现评估结果。
本发明具有以下优点：
1、本发明能够处理通用装备的结构化数据和非结构化数据，构建通用装备信息知识图谱，更加精准进行通用装备类型和数量的匹配，使用残差神经网络模型进行通用装备保障需求预测，构建基于云模型的通用装备保障需求评估模型，为提升部队战斗力，保证作战任务，提高通用装备的可靠性水平，提供数据决策支撑，为通用装备分配保障战略战术策略，提供可视化图谱展示。
2、本发明通过数据预处理，处理缺失值，噪音和冗余信息，数据转换中的特征选择减少数据复杂性，能够在后续训练模型时减少时间复杂度，提高效率，防止过拟合。
3、为了解决军事装备领域的问题，需要整合从多个来源的异质的数据。知识图谱是整合异质的数据，在通用装备信息领域做推断的一个有效的方法。本发明对于预处理之后的数据进行处理获得目标数据，基于目标数据构建本体，依据本体并结合目标数据构建通用装备信息知识图谱，通用装备信息知识图谱包括通用装备类型，同类通用装备之间的关系，不同类通用装备之间的关系，以及潜在关系。
4、本发明使用残差神经网络模型，进行通用装备保障需求预测时，模型抽取通用装备信息数据指标预测通用装备保障需求量等因素，优点是使用比其他类型的人工神经网络更少的可学习的参数，简化深层架构的模型训练，缓解梯度消失问题。使用残差块层内部分组的高维空间卷积核，组合不同高维数据处理方法，卷积，ReLU激活函数和批正则化。卷积块从通用装备信息数据中提取特征映射，特征映射从最终的卷积组向量化为一个一维向量，全连接到输出层，进行通用装备保障需求预测。
5、本发明构建基于云模型的通用装备保障需求评估方法，用随机云的确定度反映评估语言的模糊性，有效地打破两者在随机性和模糊性表达上的局限，实现定性与定量之间的相互转换，直观展现评估结果。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本发明的通用装备保障需求的确定方法的流程示意图；
图2为本发明的数据预处理流程示意图；
图3为本发明的构建通用装备信息知识图谱的示意图；
图4为本发明的通用装备信息本体和实体合并方式的示意图；
图5为本发明的通用装备信息知识提取方式的示意图；
图6为本发明的LSTM内部架构示意图；
图7为本发明的GRU内部架构示意图；
图8为本发明识别命名的通用装备信息实体模型架构的示意图；
图9为本发明新增通用装备信息的实体解析工作流示意图；
图10为本发明新增通用装备信息的知识图谱构造示意图；
图11为本发明构建通用装备保障需求预测模型的示意图；
图12为本发明的超对齐示意图；
图13为本发明第一需求预测模型架构的示意图；
图14为本发明第二需求预测模型架构的示意图；
图15为本发明构建通用装备保障需求评估模型的示意图；
图16为本发明通用装备保障需求的确定装置的结构示意图；
图17为本发明通用装备保障需求的确定电子设备的结构示意图。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。本领域技术人员可以理解，本发明实施例中的“第一”、“第二”、S1、S2等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的通用装备保障需求的确定方法的流程示意图。如图1所示，包括以下步骤：
步骤S1：获取与通用装备信息相关的原始数据，所述原始数据包括结构化数据和非结构化数据；
步骤S2：对所述原始数据进行预处理，得到处理后的数据；
步骤S3：基于所述处理后的数据，获取目标数据，所述目标数据为经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科（例如维基百科，百度百科等）全书数据和文本数据；基于所述目标数据构建本体，基于本体与所述目标数据构建通用装备信息知识图谱；
步骤S4：基于所述通用装备信息知识图谱，获取通用装备信息数据指标，将通用装备信息数据指标输入训练完毕的通用装备保障需求预测模型，所述通用装备保障需求预测模型输出的结果作为保障需求的预测结果；
步骤S5：根据通用装备保障需求评估模型对所述保障需求的预测结果进行评估，评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果。
通用装备信息相关的原始数据通常包括通用装备的编号、设备型号、战技指标等参数，还包括通用装备在运行、训练、维护等日常工作中产生的数据，以及通用装备参加试验仿真、实战演习产生的数据，通用装备信息相关的原始数据的特点是多源异构。多源是通用装备信息相关的原始数据的产生来源于多个数据源，包括不同单位部门构建的通用装备数据库和各通用装备在工作过程中获取的数据集等，有不同的数据存储的平台和方式。异构是指通用装备信息相关的原始数据类型复杂、数据结构不一致，通用装备信息相关的原始数据包含了多种类型的结构化数据、半结构化数据和非结构化数据，由于在构建过程中缺乏明确统一的标准，导致了通用装备信息相关的原始数据的异构特征。
如图2所示，所述步骤S2，包括：
步骤S21：对所述原始数据处理缺失值、噪音和冗余信息，得到第一原始数据；
步骤S22：对所述第一原始数据进行数据清洗，得到第二原始数据；
步骤S23：对所述第二原始数据进行数据转换，得到第三原始数据；
步骤S24：对所述第三原始数据进行正则化处理，得到第四原始数据；
步骤S25：降低所述第四原始数据的数据复杂性，得到第五原始数据；
步骤S26：降低所述第五原始数据的维度，得到处理后的数据。
本实施例中，为了从通用装备信息相关的原始数据中提取有用信息，必须执行数据预处理步骤，数据预处理处理缺失值，噪音和冗余信息等。数据预处理使数据满足后续学习算法输入的要求，并进行数据清洗，数据转换，数据正则化等，减少数据复杂性，数据降维，数据准备。数据转换方法包括特征选择，离散化等。
在数据转换中，特征选择是只选择相关的和不冗余的属性特征，目标是获得通用装备信息原始数据集的一个子集，保留描述固有概念的能力。同时减少数据复杂性，能够在后续训练模型时减少时间复杂度，提高效率，防止过拟合。
离散化是指通过根据定义的格点，划分变量的域变成箱，减少数据复杂度。该过程转换定量的值为定性的值，根据格点定义一个不重叠的区间的集合，使用算法为每个属性定义格点，然后映射数据到相关的区间。
离散化是将定量数据转化为定性数据，避免变量的连续的域之间的重叠，该过程映射值到一个给定的区间，将数据的值域减少到分类值的一个子集上。
如图3所示，所述步骤S3：基于所述处理后的数据，获取目标数据，所述目标数据为经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据；基于所述目标数据构建本体，基于本体与所述目标数据构建通用装备信息知识图谱，包括：
步骤S31：基于所述处理后的数据，识别所述处理后的数据中通用装备信息数据源和不同通用装备信息数据版本，将通过数据分析方法计算得到的通用装备信息数据变量的分布的统计信息，以及通过机器学习方法识别得到的通用装备类型信息作为通用装备信息相关的数据的元数据，获得的元数据类型有描述性的元数据包括用于发现的内容信息，结构化的元数据，包括机制和本体，和关于技术和过程方面的管理元数据，包括来源信息和映射规范；
输入数据可以分为未结构化数据，半结构化数据和结构化数据，在知识图谱构造过程中需要流输入数据和元数据，映射等补充输入数据的支持，从而进行更多的处理步骤。在如图10所示进行本体管理时，为了充分使用通用装备信息元数据构造通用装备信息知识图谱，需要使用一个通用装备信息元数据仓库（MDR，metadata repository）以一个统一、一致的方式存储和组织不同通用装备信息元数据，MDR可以从通用装备信息数据源中分开，从而通用装备信息知识图谱可以引用通用装备信息数据，或者可以组合通用装备信息数据和通用装备信息元数据。数据和元数据管理相比于其他任务扮演一个特殊角色，因为数据和元数据管理在整个工作流中是有必要的，所以数据和元数据管理在知识图谱构造过程中是一个中心的任务。所述元数据用于后续通用装备信息知识图谱的构建。
获取所述处理后的数据中通用装备信息相关的数据，将经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据作为目标数据；
步骤S32：通过逆向工程和映射方法，将所述目标数据中的经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据进行转换，转换后的文本作为初始本体；对所述初始本体进行本体学习，组合新的通用装备信息数据，得到更新后的本体；从各个异质的通用装备信息数据源中，得到各通用装备信息数据源的特征和概念，将所述通用装备信息数据源的特征和概念作为模式元素；匹配所述更新后的本体与所述模式元素，每对匹配的所述更新后的本体与所述模式元素均作为所述通用装备信息的第一本体；对全部第一本体进行整合，得到合并的通用装备信息本体；将所述合并的通用装备信息本体作为基于所述目标数据构建的本体；
进一步地，所述对全部第一本体进行整合，是基于整合策略对全部第一本体进行整合。如图4所示，所述整合策略包括简单合并、完全合并、非对称合并。所述简单合并是指各第一本体对应的实体之间差异超过第一预设标准时，把所有输入的第一本体导入一个通用装备信息本体，在所有输入的等价的第一本体之间构造等价类或等价特征关系，导入后的该通用装备信息本体作为第二本体。当各第一本体对应的关系之间差异超过第二预设标准时，全部第一本体需进行完全合并，完全合并的方式为：把所有输入的第一本体导入一个通用装备信息本体，获取全部所述第一本体的关系，将获取的各个关系取并集，根据关系的并集获得通用装备信息本体的集群，不改变等价的通用装备信息本体的集群，合并等价的通用装备信息本体的集群，进入一个唯一的通用装备信息本体。当各第一本体对应的概念、关系和规则之间差异超过第三预设标准时，各第一本体和一个目标通用装备信息本体需进行非对称合并，非对称合并的方式为：把各第一本体导入一个目标通用装备信息本体，通过合并匹配的第一本体，合并后的结果输入所述目标通用装备信息本体。
步骤S33：从所述目标数据中获取知识图谱要素，所述知识图谱要素包括与通用装备信息相关的实体、通用装备信息相关的关系以及实体之间的连接关系；其中，提取与通用装备信息相关的概念、属性和关系，作为与通用装备信息相关的实体，将通用装备信息在线百科全书数据和文本数据之间的关系作为通用装备信息相关的关系，从所述目标数据中提取通用装备信息数据概念、属性和关系，对于通用装备信息相关的实体，有不同的属性集合，实体之间具有不同的连接关系。使用深度学习模型识别命名的通用装备信息实体，建立的深度学习模型包含的主要单元是LSTM（long short-term memory）和GRU（GatedRecurrent Units）。LSTM单元的内部架构如图6所示，GRU的内部架构如图7所示，识别命名的通用装备信息实体模型架构如图8所示，模型的第一层是把单词转换为向量的嵌入层，第二层是LSTM/GRU层，第三层是应用Relu激活函数的稠密层，使用Logsoftmax实现最后一层。提取通用装备信息知识，提取和连接通用装备信息实体和关系的步骤如图5所示；
步骤S34：将所述基于所述目标数据构建的实体，以及所述知识图谱要素进行融合，得到第二通用装备信息实体；
进一步地，融合的方式为：
步骤S341：识别所述基于所述目标数据构建的实体；
步骤S342：在知识图谱内融合匹配基于所述目标数据构建的实体对。
通用装备信息实体解析的标准方法，使用一个有三个连续阶段的流程，包括分块，连接/匹配，和集群，如图9所示。主要步骤是确定通用装备信息实体对之间的相似性，从而确定匹配的候选人。使用匹配步骤获得一个相似性图，节点表示通用装备信息实体，边连接相似的通用装备信息实体的对。分块阶段的目标是，极大地减少评估的通用装备信息实体对的个数，基于一些分区，只需要对于相同分区的通用装备信息实体进行互相比较。在匹配阶段后是一个可选的集群阶段，使用相似性图把所有的匹配分组在一起。集群通常改善通用装备信息实体解析的质量，对于通用装备信息实体融合步骤有重要意义，融合匹配的通用装备信息实体，进入一个代表的通用装备信息实体。
融合通用装备信息数据，是合并相同通用装备信息实体的多个记录，为一个单一的、一致的和清晰的表示，是通用装备信息数据整合的一个主要步骤，需要组合来自几个通用装备信息实体的信息，到一个丰富的通用装备信息实体。通用装备信息数据融合，还可以解析通用装备信息数据融合中的不一致性。首先，匹配属性的名称可能不一致，为了便利查询，需要选择一个名称，选择的名称需要和相同类型的其他通用装备信息实体的属性名一致。第二，一个属性的值匹配记录可能不一致。有三个方法处理属性级别的不一致或矛盾：当属性值不同时，可以使用矛盾忽略方法，矛盾忽略方法是指不处理矛盾，但是可能保留不同的属性值，或者问题可以委托给用户应用程序。当存在可信的通用装备信息数据来源时，可以使用矛盾避免方法，矛盾避免方法是指对所有通用装备信息数据，应用一个唯一的方法。优先使用可信的通用装备信息数据来源的数据。当需要考虑所有的通用装备信息数据和元数据时，可以使用矛盾解析方法，矛盾解析方法是指在应用一个决定之前，考虑所有的通用装备信息数据和元数据，从而应用一个具体的方法，取频率最高、时间最近或一个随机选择的值。
步骤S35：基于融合后的第二通用装备信息实体，构建通用装备信息知识图谱。
本实施例中，还涉及通用装备信息知识图谱质量保证，通用装备信息知识图谱知识完成，本发明在通用装备信息知识图谱构造过程中进行增加的更新，通用装备信息知识图谱构造过程如图10所示，不断地组合从几个通用装备信息数据源的更新进入一个通用装备信息知识图谱，从而获得一序列不同的通用装备信息知识图谱版本。
所述步骤S4：基于所述通用装备信息知识图谱，获取通用装备信息数据指标，将通用装备信息数据指标输入训练完毕的通用装备保障需求预测模型，所述通用装备保障需求预测模型输出的结果作为保障需求的预测结果，其中，
所述通用装备保障需求预测模型使用VGG-16进行特征提取，将提取后的特征使用单向方差分析进行特征选择，将选择的特征经编码处理形成输入特征向量，所述输入特征向量是1维卷积神经网络（CNN）能够处理的格式；使用超对齐方法将各个输入特征向量映射到一个共同的表示空间；将所述输入特征向量输入一维卷积神经网络进行预测，得到第一通用装备保障需求预测结果。
进一步地，将第一通用装备保障需求预测结果输入第二网络模型，所述第二网络模型的结构包括通过捷径连接组合的一维卷积神经网络和残差块，以及输出层；所述一维卷积神经网络从所述第一通用装备保障需求预测结果中提取特征映射，特征映射经由残差块处理，再全连接到输出层，得到保障需求的预测结果。
所述通用装备保障需求预测模型在卷积神经网络和残差块之间建立捷径连接，能够简化深层架构的模型训练，缓解梯度消失问题，获得保障需求的预测结果。
如图11所示，所述步骤S4，包括：
步骤S41：获取通用装备信息数据指标，使用VGG-16从所述通用装备信息数据指标进行特征提取，获取特征提取后的通用装备信息数据指标；
步骤S42：使用ANOVA对提取后的通用装备信息数据指标进行特征选择；
步骤S43：对选择后的通用装备信息数据指标进行特征对齐，将特征对齐后的选择后的通用装备信息数据指标作为输入特征向量；
步骤S44：对所述输入特征向量，使用一维卷积神经网络进行通用装备保障需求预测，得到第一通用装备保障需求预测结果；
步骤S45：将所述第一通用装备保障需求预测结果输入第二网络模型，所述第二网络模型的结构包括通过捷径连接组合的一维卷积神经网络和残差块，以及输出层；所述一维卷积神经网络从所述第一通用装备保障需求预测结果中提取特征映射，特征映射经由残差块处理，再全连接到输出层，得到保障需求的预测结果。
本发明中，捷径连接也叫跳跃连接，可以跳过层的组。优点是简化深层架构的模型训练，缓解梯度消失问题。使用残差块层内部分组的高维空间卷积核，组合不同高维数据处理方法，卷积，ReLU激活函数和批正则化。
本实施例中，本发明首先应用一个特征提取方法VGG-16，为了编码输入特征为一个1维CNN可以处理的格式，本发明使用一个单向方差分析特征选择，然后应用超对齐方法映射每个对象的输入特征到一个共同的表示空间。VGG-16方法特征提取输入是通用装备信息数据指标，使用一个卷积层的堆叠，可以视为一个输入单元的线性转换，跟着一个非线性转换，卷积层的高维填充在卷积之后保留高维分辨率，使用5个最大混合层执行高维混合，这些最大混合层跟着一些卷积层，但不是所有的卷积层都跟着最大混合层。卷积层的堆叠后面跟着3个全连接层，最后一层是softmax层。全连接层的配置在所有网络中都相同。所有的隐藏层使用ReLU非线性激活函数，VGG-16网络中包含局部响应正则化（LRN，LocalResponse Normalization）层，改善VGG-16特征提取的性能。
ANOVA计算每个输入特征的F得分，F得分定义为不同等级通用装备保障需求量的类间方差和类内方差的比值。应用ANOVA识别训练数据集所有个体一致的包含的m个特征，且是最能预测通用装备保障需求量的输入特征。
超对齐前的数据集可以表示为一个目标矩阵的集合，每个矩阵/>表示个体j的输入特征的时间序列数据。通过堆叠/>个样本（或时间点）构造每个目标矩阵/>，包含个ANOVA选择的输入特征。本文从多个输入特征汇总加和数据，为每个对象形成一个固定个数的时间点/> 。
超对齐方法查找一个正交转换矩阵，对于每个个体矩阵/>的转置应用旋转和/或反射，同时最大化所有个体的转换矩阵的相关性，可以抽象化为procrustean优化问题：/>
其中，个体之间矩阵共同的表示空间 ，表示所有训练对象的平均个体矩阵，映射进入目标共同表示空间，/>是一个正交矩阵，一致地应用一个旋转和反射的组合，到个体j的不同时间点的每个特征。使用PyMVPA软件迭代计算/>和/>。超对齐过程如图12所示。
使用留一交叉验证方法（LOOCV）评估模型的泛化性能，对于每个交叉验证层，选出m个特征。对于每个交叉验证层，确定正交解矩阵，只使用训练集数据计算。使用相同的矩阵/>，映射训练数据和测试数据到相同的表示空间，从而避免交叉验证期间的数据泄露。
在通用装备数据进行超对齐后，输入提取的1维特征向量（m个超对齐的特征）进入连续的卷积层，使用固定窗口大小的卷积核提取模式。这些模式（特征映射）然后被向量化为一个全连接的1维向量，通过使用ReLU激活函数的全连接层进行传递。最后一层连接到输出，即得到通用装备保障需求预测结果。
图13所示架构提取复杂的特征，获得包含在超对齐向量中的空间模式，同时避免了很多人工神经网络共同的过拟合缺点。
如图14所示，为了缓解梯度消失问题，本发明使用残差神经网络（ResNets）扩展卷积神经网络，组合卷积神经网络和残差块之间的捷径连接，捷径连接也叫跳跃连接，可以跳过层的组。优点是简化深层架构的模型训练，缓解梯度消失问题。使用残差块层内部分组的高维空间卷积核，组合不同高维数据处理方法，卷积，ReLU激活函数和批正则化。卷积块从通用装备信息数据中提取特征映射，特征映射从最终的卷积组向量化为一个一维向量，全连接到输出层，进行通用装备保障需求预测。
所述步骤S5：根据通用装备保障需求评估模型对所述保障需求的预测结果进行评估，评估结果指示所述保障需求的预测结果的等级大于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果，包括：
步骤S51：如图15所示，构建指标评价体系及通用装备保障需求评估模型；获取所述保障需求的预测结果；将所述保障需求的预测结果输入装备保障需求评估模型，得到评估结果；
所述步骤S51，包括：
步骤S511：将待评估的通用装备保障需求预测结果通过逆向云发生器进行定性转换，转换方式为：
根据所述待评估的通用装备保障需求预测结果计算均值：
其中，Ex为均值，为均值，n为待评估的通用装备保障需求预测结果个数，i为待评估的通用装备保障需求预测结果的下标，xi为第i个待评估的通用装备保障需求预测结果；
根据所述待评估的通用装备保障需求预测结果计算第一方差：
根据所述待评估的通用装备保障需求预测结果计算熵、超熵：
输入所述待评估的通用装备保障需求预测结果的云特征向量，
将所述云特征向量输入正向云发生器num次以生成num个云滴，由num个云滴组成通用装备保障需求评估指标云；其中，生成一个云滴的方式为：
生成高斯随机数： ， />是第一期望值， />是第二方差，为期望是/>方差是/>的正态分布；
生成高斯随机数： ， />是第二期望值， />是第三方差，x为生成的高斯随机数列，/>为期望是/>方差是/>的正态分布；
计算，确定u(x)的度，得到转换后的/>，即为论域内的一个云滴。
步骤S512：确定通用装备保障需求评估标尺云，包括：将通用装备保障需求评估等级划分为5个等级，即：，分别对应“非常差”、“差”、“一般”、“良好”、“优秀”，确定各个等级对应的数字特征（Ex，En，He） ；
本实施例中，咨询通用装备保障需求领域专家意见，将通用装备保障需求评估等级划分为5个等级，即：，分别对应“非常差”“差”“一般”“良好”“优秀”，“非常差”“优秀”2个通用装备保障需求评估等级在评估中评价者对其概念判断较为精准，而对“差”“一般”“良好”3个通用装备保障需求评估等级的概念判断较“非常差”“优秀”来说，相对模糊，故采取黄金分割法确定通用装备保障需求评估标尺云，使得单边约束评语较中间3个评语的取值相对较窄，更符合通用装备保障需求评估的实际。其云数字特征如表1所示。
表1 通用装备保障需求评估标尺云数字特征
步骤S513：确定通用装备保障需求评估指标云和通用装备保障需求评估标尺云的相似度，包括：
确定通用装备保障需求评估指标云的数字特征，
其中，是第i个指标的权重，/>是第i个指标的通用装备保障需求预测结果均值，/>是待评估的通用装备保障需求预测结果第i个指标的熵，/>是待评估的通用装备保障需求预测结果第i个指标的超熵；
确定通用装备保障需求评估标尺云的数字特征为，通用装备保障需求评估指标云的数字特征与通用装备保障需求评估标尺云的数字特征之间距离为：
其中，w是云数字特征权重，且
确定通用装备保障需求评估指标云和通用装备保障需求评估标尺云相似度阈值，/>是待评估的通用装备保障需求预测结果期望的权重，/>是待评估的通用装备保障需求预测结果熵的权重，/>是待评估的通用装备保障需求预测结果超熵的权重。/>
通用装备保障需求评估指标云与通用装备保障需求评估标尺云的相似度为：
基于通用装备保障需求评估指标云与通用装备保障需求评估标尺云的相似度确定通用装备保障需求评估等级。
本实施例中，邀请专家对所有通用装备保障需求二级评估指标进行打分，获取专家打分值后，根据逆向云发生器的算法，得到各项通用装备保障需求一级评估指标的云数字特征，而后计算其上层指标的云数字特征，即通用装备保障需求评估综合云数字特征。
通过上述对通用装备保障需求评估标尺云的确定，结合通用装备保障需求评估指标云及通用装备保障需求评估综合云的计算，得到其各层通用装备保障需求评估指标的数字特征及云图，采取加权欧氏距离计算各通用装备保障需求评估指标云与通用装备保障需求评估标尺云之间的相似度。
步骤S52：评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果。
本实施例中，根据通用装备信息指标体系建立原则，以全面的多维度的评估通用装备保障需求状态为主线，筛选出具体指标，详细阐述各级指标的含义以及量化方法。构建基于云模型的通用装备保障需求评估模型，实现定性与定量之间的相互转换，直观展现评估结果。
所述指标评价体系的建立原则与思路为：
通用装备保障需求评估指标体系建立原则
建立通用装备保障需求多维度评估指标体系应遵循以下基本原则：科学性原则，全面性原则，引导性原则，对比性原则。
通用装备保障需求评估指标体系建立思路
由于通用装备保障需求分析是通用装备战勤保障业务的起点，需要各级战勤保障部门精准测算、综合分析、科学筹划，建立通用装备保障需求多维度评估指标体系，发现通用装备保障需求的薄弱环节，改善通用装备保障需求分析方法。
所述指标评价体系的具体内容包括：评估目标，一级指标和二级指标。
本发明获取与通用装备信息相关的原始数据，原始数据包括结构化数据和非结构化数据，对原始数据进行数据预处理，处理缺失值，噪音和冗余信息等。数据预处理使数据满足后续学习算法输入的要求，并进行数据清洗，具体来说是减少数据复杂性和数据转换，进行数据正则化等。
本发明对于预处理之后的数据进行处理获得目标数据，基于目标数据构建本体，依据本体并结合目标数据构建通用装备信息知识图谱，通用装备信息知识图谱包括通用装备类型，同类通用装备之间的关系，不同类通用装备之间的关系，以及潜在关系。
本发明基于通用装备信息知识图谱，利用深度学习模型构建通用装备保障需求预测模型，将待测评通用装备输入通用装备保障需求预测模型中，获得通用装备保障需求预测结果。
本发明基于通用装备信息知识图谱和通用装备保障需求预测结果，构建基于云模型的通用装备保障需求评估模型，实现定性与定量之间的相互转换，直观展现评估结果。
示例性装置
图16是本发明一示例性实施例提供的通用装备保障需求的确定装置的结构示意图。如图16所示，本实施例包括：
数据获取模块：配置为获取与通用装备信息相关的原始数据，所述原始数据包括结构化数据和非结构化数据；
预处理模块：配置为对所述原始数据进行预处理，得到处理后的数据；
知识图谱构建模块：配置为基于所述处理后的数据，获取目标数据，所述目标数据为经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据；基于所述目标数据构建本体，基于本体与所述目标数据构建通用装备信息知识图谱；
预测模块：配置为基于所述通用装备信息知识图谱，获取通用装备信息数据指标，将通用装备信息数据指标输入训练完毕的通用装备保障需求预测模型，所述通用装备保障需求预测模型输出的结果作为保障需求的预测结果；
评估模块：配置为根据通用装备保障需求评估模型对所述保障需求的预测结果进行评估，评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果。
示例性电子设备
图17是本发明一示例性实施例提供的电子设备170的结构。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。图17图示了根据本公开实施例的电子设备的框图。如图17所示，电子设备包括一个或多个处理器171和存储器172。
处理器171可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器172可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器171可以运行所述程序指令，以实现上文所述的本公开的各个实施例的软件程序的通用装备保障需求的确定方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置173和输出装置174，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
此外，该输入装置173还可以包括例如键盘、鼠标等等。
该输出装置174可以向外部输出各种信息。该输出装置174可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图17中仅示出了该电子设备中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种通用装备保障需求的确定方法，其特征在于，所述方法包括如下步骤：
步骤S1：获取与通用装备信息相关的原始数据，所述原始数据包括结构化数据和非结构化数据；
步骤S2：对所述原始数据进行预处理，得到处理后的数据；
步骤S3：基于所述处理后的数据，获取目标数据，所述目标数据为经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据；基于所述目标数据构建本体，基于本体与所述目标数据构建通用装备信息知识图谱；
步骤S4：基于所述通用装备信息知识图谱，获取通用装备信息数据指标，将通用装备信息数据指标输入训练完毕的通用装备保障需求预测模型，所述通用装备保障需求预测模型输出的结果作为保障需求的预测结果；
步骤S5：根据通用装备保障需求评估模型对所述保障需求的预测结果进行评估，评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果，
所述步骤S3，包括：
步骤S31：基于所述处理后的数据，识别所述处理后的数据中通用装备信息数据源，将通过数据分析方法计算得到的通用装备信息数据变量的分布的统计信息，以及通过机器学习方法识别得到的通用装备类型信息作为通用装备信息相关的数据的元数据；
步骤S32：通过逆向工程和映射方法，将所述目标数据中的经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据进行转换，转换后的文本作为初始本体；对所述初始本体进行本体学习，组合新的通用装备信息数据，得到更新后的本体；从各个异质的通用装备信息数据源中，得到各通用装备信息数据源的特征和概念，将所述通用装备信息数据源的特征和概念作为模式元素；匹配所述更新后的本体与所述模式元素，每对匹配的所述更新后的本体与所述模式元素均作为所述通用装备信息的第一本体；对全部第一本体进行整合，得到合并的通用装备信息本体；将所述合并的通用装备信息本体作为基于所述目标数据构建的本体；
步骤S33：从所述目标数据中获取知识图谱要素，所述知识图谱要素包括与通用装备信息相关的实体、通用装备信息相关的关系以及实体之间的连接关系；其中，提取与通用装备信息相关的概念、属性和关系，作为与通用装备信息相关的实体，将通用装备信息在线百科全书数据和文本数据之间的关系作为通用装备信息相关的关系，从所述目标数据中提取通用装备信息数据概念、属性和关系，对于通用装备信息相关的实体，有不同的属性集合，实体之间具有不同的连接关系；
步骤S34：将所述基于所述目标数据构建的实体，以及所述知识图谱要素进行融合，得到第二通用装备信息实体；
步骤S35：基于融合后的第二通用装备信息实体，构建通用装备信息知识图谱，
所述步骤S4，包括：
步骤S41：获取通用装备信息数据指标，使用VGG-16从所述通用装备信息数据指标进行特征提取，获取特征提取后的通用装备信息数据指标；
步骤S42：使用方差分析对提取后的通用装备信息数据指标进行特征选择；
步骤S43：对选择后的通用装备信息数据指标进行特征对齐，将特征对齐后的选择后的通用装备信息数据指标作为输入特征向量；
步骤S44：对所述输入特征向量，使用一维卷积神经网络进行通用装备保障需求预测，得到第一通用装备保障需求预测结果；
步骤S45：将所述第一通用装备保障需求预测结果输入第二网络模型，所述第二网络模型的结构包括通过捷径连接组合的一维卷积神经网络和残差块，以及输出层；所述一维卷积神经网络从所述第一通用装备保障需求预测结果中提取特征映射，特征映射经由残差块处理，再全连接到输出层，得到保障需求的预测结果。
2.如权利要求1所述的方法，其特征在于，所述对全部第一本体进行整合，是基于整合策略对全部第一本体进行整合；所述整合策略包括简单合并、完全合并、非对称合并；所述简单合并是指各第一本体对应的实体之间差异超过第一预设标准时，把所有输入的第一本体导入一个通用装备信息本体，在所有输入的等价的第一本体之间构造等价类或等价特征关系，导入后的该通用装备信息本体作为第二本体；当各第一本体对应的关系之间差异超过第二预设标准时，全部第一本体需进行完全合并，完全合并的方式为：把所有输入的第一本体导入一个通用装备信息本体，获取全部所述第一本体的关系，将获取的各个关系取并集，根据关系的并集获得通用装备信息本体的集群，不改变等价的通用装备信息本体的集群，合并等价的通用装备信息本体的集群，进入一个唯一的通用装备信息本体；当各第一本体对应的概念、关系和规则之间差异超过第三预设标准时，各第一本体和一个目标通用装备信息本体需进行非对称合并，非对称合并的方式为：把各第一本体导入一个目标通用装备信息本体，通过合并匹配的第一本体，合并后的结果输入所述目标通用装备信息本体。
3.如权利要求1所述的方法，其特征在于，所述步骤S5，包括：
步骤S51：构建指标评价体系及通用装备保障需求评估模型；获取所述保障需求的预测结果；将所述保障需求的预测结果输入装备保障需求评估模型，得到评估结果；
步骤S52：评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果。
4.如权利要求3所述的方法，其特征在于，所述步骤S51，包括：
步骤S511：将待评估的通用装备保障需求预测结果通过逆向云发生器进行定性转换，转换方式为：
根据所述待评估的通用装备保障需求预测结果计算均值：
，
其中，Ex为均值，为均值，n为待评估的通用装备保障需求预测结果个数，i为待评估的通用装备保障需求预测结果的下标，xi为第i个待评估的通用装备保障需求预测结果；
根据所述待评估的通用装备保障需求预测结果计算第一方差：
，
根据所述待评估的通用装备保障需求预测结果计算熵、超熵：
，
输入所述待评估的通用装备保障需求预测结果的云特征向量，
将所述云特征向量输入正向云发生器num次以生成num个云滴，由num个云滴组成通用装备保障需求评估指标云；其中，生成一个云滴的方式为：
生成高斯随机数： ， />是第一期望值，/>是第二方差，为期望是/>方差是/>的正态分布；
生成高斯随机数： ， />是第二期望值，/>是第三方差，x为生成的高斯随机数列，/>为期望是/>方差是/>的正态分布；
计算，确定u(x)的度，得到转换后的/>，即为论域内的一个云滴；
步骤S512：确定通用装备保障需求评估标尺云，包括：将通用装备保障需求评估等级划分为5个等级，即：，分别对应“非常差”、“差”、“一般”、“良好”、“优秀”，确定各个等级对应的数字特征（Ex，En，He）；
步骤S513：确定通用装备保障需求评估指标云和通用装备保障需求评估标尺云的相似度，包括：
确定通用装备保障需求评估指标云的数字特征，
，
其中，是第i个指标的权重，/>是第i个指标的通用装备保障需求预测结果均值，是待评估的通用装备保障需求预测结果第i个指标的熵，/>是待评估的通用装备保障需求预测结果第i个指标的超熵；
确定通用装备保障需求评估标尺云的数字特征为，通用装备保障需求评估指标云的数字特征与通用装备保障需求评估标尺云的数字特征之间距离为：
，
其中，w是云数字特征权重，且，
确定通用装备保障需求评估指标云和通用装备保障需求评估标尺云相似度阈值，/>是待评估的通用装备保障需求预测结果期望的权重，/>是待评估的通用装备保障需求预测结果熵的权重，/>是待评估的通用装备保障需求预测结果超熵的权重；
通用装备保障需求评估指标云与通用装备保障需求评估标尺云的相似度为：
，
基于通用装备保障需求评估指标云与通用装备保障需求评估标尺云的相似度确定通用装备保障需求评估等级。
5.一种通用装备保障需求的确定装置，其特征在于，所述装置包括：
数据获取模块：配置为获取与通用装备信息相关的原始数据，所述原始数据包括结构化数据和非结构化数据；
预处理模块：配置为对所述原始数据进行预处理，得到处理后的数据；
知识图谱构建模块：配置为基于所述处理后的数据，获取目标数据，所述目标数据为经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据；基于所述目标数据构建本体，基于本体与所述目标数据构建通用装备信息知识图谱；
预测模块：配置为基于所述通用装备信息知识图谱，获取通用装备信息数据指标，将通用装备信息数据指标输入训练完毕的通用装备保障需求预测模型，所述通用装备保障需求预测模型输出的结果作为保障需求的预测结果；
评估模块：配置为根据通用装备保障需求评估模型对所述保障需求的预测结果进行评估，评估结果指示所述保障需求的预测结果的等级高于预设阈值时，将所述保障需求的预测结果作为通用装备保障需求的确定结果，
所述知识图谱构建模块，包括：
第一模块：基于所述处理后的数据，识别所述处理后的数据中通用装备信息数据源，将通过数据分析方法计算得到的通用装备信息数据变量的分布的统计信息，以及通过机器学习方法识别得到的通用装备类型信息作为通用装备信息相关的数据的元数据；
第二模块：通过逆向工程和映射方法，将所述目标数据中的经过预处理后的通用装备信息数据库中的数据，以及通用装备信息在线百科全书数据和文本数据进行转换，转换后的文本作为初始本体；对所述初始本体进行本体学习，组合新的通用装备信息数据，得到更新后的本体；从各个异质的通用装备信息数据源中，得到各通用装备信息数据源的特征和概念，将所述通用装备信息数据源的特征和概念作为模式元素；匹配所述更新后的本体与所述模式元素，每对匹配的所述更新后的本体与所述模式元素均作为所述通用装备信息的第一本体；对全部第一本体进行整合，得到合并的通用装备信息本体；将所述合并的通用装备信息本体作为基于所述目标数据构建的本体；
第三模块：从所述目标数据中获取知识图谱要素，所述知识图谱要素包括与通用装备信息相关的实体、通用装备信息相关的关系以及实体之间的连接关系；其中，提取与通用装备信息相关的概念、属性和关系，作为与通用装备信息相关的实体，将通用装备信息在线百科全书数据和文本数据之间的关系作为通用装备信息相关的关系，从所述目标数据中提取通用装备信息数据概念、属性和关系，对于通用装备信息相关的实体，有不同的属性集合，实体之间具有不同的连接关系；
第四模块：将所述基于所述目标数据构建的实体，以及所述知识图谱要素进行融合，得到第二通用装备信息实体；
第五模块：基于融合后的第二通用装备信息实体，构建通用装备信息知识图谱，
所述预测模块，包括：
第六模块：获取通用装备信息数据指标，使用VGG-16从所述通用装备信息数据指标进行特征提取，获取特征提取后的通用装备信息数据指标；
第七模块：使用方差分析对提取后的通用装备信息数据指标进行特征选择；
第八模块：对选择后的通用装备信息数据指标进行特征对齐，将特征对齐后的选择后的通用装备信息数据指标作为输入特征向量；
第九模块：对所述输入特征向量，使用一维卷积神经网络进行通用装备保障需求预测，得到第一通用装备保障需求预测结果；
第十模块：将所述第一通用装备保障需求预测结果输入第二网络模型，所述第二网络模型的结构包括通过捷径连接组合的一维卷积神经网络和残差块，以及输出层；所述一维卷积神经网络从所述第一通用装备保障需求预测结果中提取特征映射，特征映射经由残差块处理，再全连接到输出层，得到保障需求的预测结果。
6.一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-4中任一项所述的方法。
7.一种电子设备，其特征在于，所述电子设备，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311472664.3A CN117217392B (zh) | 2023-11-07 | 2023-11-07 | 一种通用装备保障需求的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311472664.3A CN117217392B (zh) | 2023-11-07 | 2023-11-07 | 一种通用装备保障需求的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217392A CN117217392A (zh) | 2023-12-12 |
| CN117217392B true CN117217392B (zh) | 2024-01-09 |
Family
ID=89046562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311472664.3A Active CN117217392B (zh) | 2023-11-07 | 2023-11-07 | 一种通用装备保障需求的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217392B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116331A (zh) * | 2020-09-28 | 2020-12-22 | 中国建设银行股份有限公司 | 一种人才推荐方法及装置 |
| CN113779272A (zh) * | 2021-09-15 | 2021-12-10 | 上海泓笛数据科技有限公司 | 基于知识图谱的数据处理方法、装置、设备及存储介质 |
| CN115858825A (zh) * | 2023-03-02 | 2023-03-28 | 山东能源数智云科技有限公司 | 基于机器学习的设备故障诊断知识图谱构建方法和装置 |
| CN116010587A (zh) * | 2023-03-23 | 2023-04-25 | 中国人民解放军63921部队 | 航天测发保障性条件知识推送方法、装置、介质及设备 |
| CN116596412A (zh) * | 2023-07-19 | 2023-08-15 | 中国电子科技集团公司第十五研究所 | 人才类型画像的实现方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11574204B2 (en) * | 2017-12-06 | 2023-02-07 | Accenture Global Solutions Limited | Integrity evaluation of unstructured processes using artificial intelligence (AI) techniques |
-
2023
- 2023-11-07 CN CN202311472664.3A patent/CN117217392B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116331A (zh) * | 2020-09-28 | 2020-12-22 | 中国建设银行股份有限公司 | 一种人才推荐方法及装置 |
| CN113779272A (zh) * | 2021-09-15 | 2021-12-10 | 上海泓笛数据科技有限公司 | 基于知识图谱的数据处理方法、装置、设备及存储介质 |
| CN115858825A (zh) * | 2023-03-02 | 2023-03-28 | 山东能源数智云科技有限公司 | 基于机器学习的设备故障诊断知识图谱构建方法和装置 |
| CN116010587A (zh) * | 2023-03-23 | 2023-04-25 | 中国人民解放军63921部队 | 航天测发保障性条件知识推送方法、装置、介质及设备 |
| CN116596412A (zh) * | 2023-07-19 | 2023-08-15 | 中国电子科技集团公司第十五研究所 | 人才类型画像的实现方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 装备系统智能化故障预测方法;方冰;张翠侠;;指挥信息系统与技术;第10卷(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217392A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480694B (zh) | 基于Spark平台采用两次评价的加权选择集成三支聚类方法 | |
| Carmona et al. | Overview on evolutionary subgroup discovery: analysis of the suitability and potential of the search performed by evolutionary algorithms | |
| Arnaiz-González et al. | MR-DIS: democratic instance selection for big data by MapReduce | |
| Pan et al. | Clustering of designers based on building information modeling event logs | |
| Li et al. | Heterogeneous ensemble learning with feature engineering for default prediction in peer-to-peer lending in China | |
| Tosida et al. | A hybrid data mining model for Indonesian telematics SMEs empowerment | |
| Lamba et al. | A MCDM-based performance of classification algorithms in breast cancer prediction for imbalanced datasets | |
| Shehab et al. | Toward feature selection in big data preprocessing based on hybrid cloud-based model | |
| Liu et al. | Investigating the effects of local weather, streamflow lag, and global climate information on 1-month-ahead streamflow forecasting by using XGBoost and SHAP: Two case studies involving the contiguous USA | |
| CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
| Pandey et al. | A study of clustering taxonomy for big data mining with optimized clustering mapreduce model | |
| CN117217392B (zh) | 一种通用装备保障需求的确定方法及装置 | |
| Dessureault et al. | DPDR: A novel machine learning method for the Decision Process for Dimensionality Reduction | |
| Bridgelall | Applying unsupervised machine learning to counterterrorism | |
| Alhaj Ali et al. | Distributed data mining systems: techniques, approaches and algorithms | |
| Cai et al. | A new community detection method for simplified networks by combining structure and attribute information | |
| Tang et al. | Predictable by publication: discovery of early highly cited academic papers based on their own features | |
| Kavitha | Assessing teacher’s performance evaluation and prediction model using cloud computing over multi-dimensional dataset | |
| Li et al. | Recidivism early warning model based on rough sets and the improved K-prototype clustering algorithm and a back propagation neural network | |
| Safaeipour et al. | Mapping crisp structural semantic similarity measures to fuzzy context: a generic approach | |
| Ding et al. | Three-way decisions in generalized intuitionistic fuzzy environments: survey and challenges | |
| Tiwari et al. | Comparative analysis of optimized algorithms for ontology clustering | |
| Zhang et al. | [Retracted] Enterprise Credit Security Prediction and Evaluation Based on Multimodel Fusion | |
| De Fausti et al. | Multilayer perceptron models for the estimation of the attained level of education in the Italian Permanent Census | |
| Venkatesan et al. | An ID3 Algorithm for Performance of Decision Tree in Predicting Student's Absenteeism in an Academic Year using Categorical Datasets |
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 |