CN117973521A - 一种低轨卫星频谱感知信息的知识图谱构建方法 - Google Patents
一种低轨卫星频谱感知信息的知识图谱构建方法 Download PDFInfo
- Publication number
- CN117973521A CN117973521A CN202410381503.1A CN202410381503A CN117973521A CN 117973521 A CN117973521 A CN 117973521A CN 202410381503 A CN202410381503 A CN 202410381503A CN 117973521 A CN117973521 A CN 117973521A
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- data
- information
- spectrum
- satellite
- 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.)
- Withdrawn
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 104
- 238000010276 construction Methods 0.000 title claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 230000008447 perception Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种低轨卫星频谱感知信息的知识图谱构建方法，包括如下步骤：步骤S1，从低轨卫星频谱感知角度，获取领域信息并进行信息的划分。步骤S2，对非结构化信息和半结构化信息提取知识，生成实体和关系。步骤S3，构建频谱知识图谱模式层的本体模型。步骤S4，通过实体链接和知识映射将提取的实体与关系映射至对应本体模型中，形成三元组格式。步骤S5，将受本体层约束的三元组转换成节点和连接，存储于知识图谱。与现有技术相比，本发明的低轨卫星频谱感知信息知识图谱构建方法，以可视化形式挖掘星上感知数据的语义及其关系，能够进行高效的频谱知识利用，为LEO星座资源调度提供支撑。
Description
技术领域
本发明涉及卫星通信技术领域，尤其涉及一种低轨卫星频谱感知信息的知识图谱构建方法。
背景技术
天基感知作为LEO星座发展的重要应用，可实现全天时、全天候、无缝感知。但是由于低轨卫星动态性强、星上处理能力及星地链路传输能力受限，相对于指数级增长的频谱数据获取能力，星上感知数据的分析与态势生成能力相对滞后，海量多源化频谱数据堆积与信息稀疏并存的矛盾日益突出，亟需有效的频谱领域知识建模方式。
现有研究已提出使用语义通信作为解决手段，但大多针对文本或图片视频展开研究，针对天基频谱感知信息的研究仍待开展。同时，现有语义提取方法以深度神经网络模型为主，虽极大提高了数据量压缩效果，但数据海量、信息缺失的局面依然存在，且神经网络码本设计较主观、提取与恢复过程不可见。
知识图谱已被证明是一种表示物理世界实体、属性及其语义关系的有效方法。知识图谱作为一种结构化信息的关系描述模型，具有强大的表达能力和建模灵活性。对于天基频谱态势的生成，本身就是电磁辐射源与辐射场分布间映射关系的标书。知识图谱所提供的合理组织、理解和可视化频谱海量信息能力，适用于解决“星上数据散、价值低”的问题。然而，由于LEO卫星感知的高动态性，如何对LEO卫星频谱感知信息及其所蕴含的关系进行分析与挖掘，设计合适的频谱知识图谱构建模型，以高效进行星上感知数据分析和态势生成的问题亟待解决。
有鉴于此，有必要设计一种低轨卫星频谱感知信息的知识图谱构建方法，以解决上述问题。
发明内容
本发明的目的在于提供一种能够有效整合频谱感知信息，反映复杂多变的用频态势环境的低轨卫星频谱感知信息的知识图谱构建方法。
为实现上述发明目的，本发明提供了一种低轨卫星频谱感知信息的知识图谱构建方法，包括如下步骤：
步骤S1，从低轨卫星频谱感知角度，获取领域信息并进行信息的划分；
步骤S2，对非结构化信息和半结构化信息提取知识，生成实体和关系；
步骤S3，构建频谱知识图谱模式层的本体模型；
步骤S4，通过实体链接和知识映射将提取的实体与关系映射至对应本体模型中，形成三元组格式；
步骤S5，将受本体层约束的三元组转换成节点和连接，存储于知识图谱。
作为本发明的进一步改进，所述步骤S1包括如下步骤：
步骤S11，获取与LEO频谱感知相关的领域信息，所述领域至少包括卫星领域和频谱领域；
步骤S12，明确获取的所述领域信息中的数据类型，数据类型具体为结构化数据、半结构化数据和非结构化数据；所述结构化数据是具有固定格式和结构的数据；所述半结构化数据是具有层次结构但不符合结构化数据模型的数据；所述非结构化数据是没有清晰结构的数据；
步骤S13，由步骤S12中数据的定义可知，所述卫星领域和所述频谱领域的半数以上的数据为所述半结构化数据或所述非结构化数据；
步骤S14，对于所述步骤S11所获取的领域信息中的具体数据进行归类，明确频谱数据、星历数据属于所述半结构化数据，卫星载荷、卫星平台信息属于所述非结构化数据。
作为本发明的进一步改进，所述步骤S2包括如下步骤：
步骤S21，基于步骤S1中的信息的划分，针对不同数据类型采用不同的方法进行知识提取，以生成实体与关系；
步骤S22，对于所述半结构化数据部署了基于模板和Matlab脚本的方法来提取实体和属性；粗糙处理后的数据以CSV格式存储；
步骤S23，对于非结构化数据采用基于BiLSTM-CRF模型的深度学习方法提取实体和属性，使用基于模板的方法提取非结构化数据的各类关系。
作为本发明的进一步改进，所述步骤S23包括如下步骤：
步骤S231，构建目标序列标记集合，其包括： O非实体部分，SATELLITE卫星，PAYLOAD卫星载荷，PLATFORM平台信息，SUBSYSTEM子系统；
步骤S232，采用BIO三元标记生成分类字典，具体为：'O'：0，'SATELLITE-B'：1，'SATELLITE-I'：2，'PAYLOAD-B'： 3；'PAYLOAD-I'：4，'PLATFORM-B'：5，'PLATFORM-I'：6，'SUBSYSTEM-B'：7，'SUBSYSTEM-I'：8；
步骤S233，搭建训练模型，所述训练模型具体为BiLSTM-CRF模型，所述BiLSTM-CRF模型的输入是词嵌入向量，输出是每个单词对应的预测标签；BiLSTM-CRF模型内部具体为：Embedding层-两个BiLSTM层-CRF层；
步骤S234，训练BiLSTM-CRF模型，训练完成后将所要提取的知识输入模型进行实体和属性识别；
步骤S235，使用基于模板的方法进行频谱信息的关系抽取，所述关系抽取是从频谱信息中抽取出频谱实体间或频谱实体与频谱属性间的语义关系。
作为本发明的进一步改进，所述步骤S233包括如下步骤：
步骤S2331：Embeding层将字符转换为向量，并将转换后的向量送入BiLSTM层进行计算；
步骤S2332：所述BiLSTM为双向LSTM，所述BiLSTM计算每个词向量对应标签的得分，所有的经BiLSTM层输出的分数将作为CRF层的输入送至CRF层；
步骤S2333：CRF为在给定输入序列的条件下，求解输出序列的条件概率分布模型；CRF层从训练数据中获得约束性的规则，CRF层将类别序列中分数最高的类别输出为最终提取结果。
作为本发明的进一步改进，所述步骤S3包括如下步骤：
步骤S31：确定本体模型范围：频谱知识图谱属于领域知识图谱，卫星领域所要体现的知识至少包括卫星的系统组成、卫星的基础信息，用于对卫星身份进行识别；频谱领域方面的知识至少包括进行感知的波束、感知时间、信号带宽、中心频率；
步骤S32：开发和设计适用于低轨卫星频谱感知信息知识图谱的本体层；
步骤S33：获取知识定义并设计语义单元：列出领域信息中所关心的重要术语，设计语义单元进行约束，语义单元形式化表达为；
步骤S34：本体模型包括概念类、关系和属性，定义概念类、属性和关系，具体如下：概念类是领域信息中概念的抽象表示；按照概念的固有属性和语义单元的约束进行分析和归纳，确定概念间的关系以及概念与属性间关系；定义了三级概念类：一级概念类为LEO卫星，二级概念类为波束，三级概念类为感知信号；明确了五类关系：具有、组成、感知/观测、子系统以及数值关系；除三级概念类以外，其他概念定义为属性；
步骤S35：验证和分析本体：构建本体模型并对其进行评估、验证，且当本体模型构建不合理时，需按构建流程检查每一个步骤，针对问题作出相应修改，对模型重新评估，直至验证通过。
作为本发明的进一步改进，所述各元素的具体含义如下：
表示抽象语义单元中实体的非空集合，集合元素/>表示为本体层中的抽象概念类型；
表示语义单元中连接边的非空集合，用于描述各类型语义单元之间的关系，元素/>表示概念语义单元之间的联系；
表示抽象语义单元属性的非空集合，其中元素/>表示数据属性或表示对象属性。
作为本发明的进一步改进，所述步骤S4包括如下步骤：
步骤S41：实体链接：利用编程语言将提取出的信息构建标签，分类包装，对每个特定时间、空间、频段下提取的信息生成唯一性标志，将不同数据类型中具有关联的实体和属性进行连接，并删除重复的实体；
步骤S42：知识映射：用本体层中的概念对每个实体进行标记，将CSV数据映射为本体模型中语义单元的形式，形成三元组。
作为本发明的进一步改进，所述步骤S5选用图数据库存储并可视化频谱知识图谱，经过所述步骤S4的知识融合后，通过导入py2neo模块，将受本体层约束的三元组转换成节点和连接，频谱知识图谱被存储并可视化在Neo4j的图形数据库中。
本发明的有益效果是：本发明的低轨卫星频谱感知信息的知识图谱构建方法，首先从低轨卫星动态感知的角度出发，通过低轨卫星频谱感知信息的知识图谱构建方法，实现了星上频谱感知数据语义提取与态势生成。其次从卫星、波束和信号的角度出发，构建低轨卫星频谱感知信息知识图谱，能够进行高效的频谱知识利用，为LEO星座资源调度提供支撑。低轨卫星频谱感知信息的知识图谱构建方法通过获取信息并对信息分类；接着对获取信息进行知识抽取；然后构建模式层本体模型；对所提取知识进行融合；最后生成频谱知识图谱并进行存储。该方法在LEO卫星动态性强、星上处理能力及星地链路传输能力受限的情景下，形式化表征LEO卫星频谱感知信息的语义及其复杂关系，有效整合频谱感知信息，反映复杂多变的用频态势环境。
附图说明
图1为本发明的一种低轨卫星频谱感知信息知识图谱构建流程图。
图2为本发明中的定义的概念类和属性。
图3为本发明中的引入语义单元所设计的模式层本体。
图4为本发明中的低轨卫星频谱感知信息知识图谱可视化效果的局部图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
请参阅图1至图4所示，本发明提供了一种低轨卫星频谱感知信息的知识图谱构建方法。本发明从低轨卫星动态感知的角度出发，为实现星上频谱感知数据语义提取与态势生成，研究了低轨卫星频谱感知信息的知识图谱构建方法，包括如下步骤：步骤S1、从低轨卫星频谱感知角度，获取领域信息并进行信息的划分。步骤S2、对非结构化信息和半结构化信息提取知识，生成实体和关系。步骤S3、从顶层逻辑出发，构建频谱知识图谱模式层的本体模型，本体模型也可简称为本体。步骤S4、通过实体链接和知识映射将提取的实体与关系映射至对应本体模型中，形成三元组格式。步骤S5、将受本体层约束的三元组转换成节点和连接，存储于知识图谱。
一、步骤S1具体包括以下步骤：
步骤S11、获取与LEO频谱感知相关的领域信息，大致分为卫星领域和频谱领域。卫星领域的数据来源于开源网站，包括CeleStrak、N2YO和NASA；频谱领域的数据源来自实验室产生。
步骤S12、明确领域信息中的数据类型。结构化数据是指具有固定格式和结构的数据，如关系数据库（RDB）数据；半结构化数据是指具有一定层次结构但不符合传统结构化数据模型的数据，如XML和JSON；非结构化数据是指没有清晰结构的数据，如文本、图像、音频和视频数据。
步骤S13、由步骤S12的定义可知：卫星领域和频谱领域的大部分数据为半结构化或非结构化数据。
步骤S14、对于所获取领域信息中的的具体数据进行归类，明确频谱数据、星历数据划分为半结构化数据，卫星载荷、卫星平台信息划分为非结构化数据。
二、步骤S2具体包括以下步骤：
步骤S21、基于步骤1中的数据类型划分（信息划分），考虑针对不同结构类型采用不同的方法进行知识提取，以生成知识实体与关系。
步骤S22、对于频谱数据、星历数据等半结构化数据，部署了基于模板和Matlab脚本的方法来提取实体和属性。粗糙处理后的数据首先以CSV格式存储。
步骤S23、对于卫星载荷、卫星平台信息等非结构化数据，采用基于BiLSTM-CRF模型的深度学习方法提取实体和属性。使用基于模板的方法提取非结构化数据的各类关系。
实际应用中有多种针对非结构化数据进行知识提取的方法，如基于词典和规则的方法、基于机器学习的方法以及基于深度学习的方法。本步骤使用基于BiLSTM-CRF模型的深度学习方法为例说明非结构化数据提取实体和属性的具体过程，在条件允许情况下，也可以使用其他方法进行求解。
进一步地，步骤S23）的具体实现步骤如下：
步骤S231，构建目标序列标记集合：O非实体部分，SATELLITE卫星，PAYLOAD卫星载荷，PLATFORM平台信息，SUBSYSTEM子系统；
步骤S232，采用BIO三元标记生成分类字典：'O'：0，'SATELLITE-B'：1，'SATELLITE-I'：2，'PAYLOAD-B'：3；'PAYLOAD-I'：4，'PLATFORM-B'：5，'PLATFORM-I'：6，'SUBSYSTEM-B'：7，'SUBSYSTEM-I'：8；
步骤S233，搭建训练模型：本发明中所搭建的训练模型为BiLSTM-CRF模型，BiLSTM-CRF模型的输入是词嵌入向量，输出是每个单词对应的预测标签。BiLSTM-CRF模型内部具体为：Embedding层-两个BiLSTM层-CRF层。
进一步地，步骤S233具体由以下步骤实现：
步骤S2331：首先Embeding层将字符转换为向量，并将转换后的向量送入BiLSTM层进行计算。
步骤S2332：所谓的BiLSTM，就是双向LSTM（Long Short-Term Memory，长短期记忆）。单向的LSTM模型只能捕捉到从前向后传递的信息, 而双向的LSTM网络可以同时捕捉正向信息和反向信息，能够对信息利用的更充分，效果也更好。BiLSTM会计算每个词向量对应标签的得分，所有的经BiLSTM层输出的分数将作为CRF层的输入送至CRF层。
步骤S2333：CRF（Conditional Random Fields，条件随机场），是在给定输入序列的条件下，求解输出序列的条件概率分布模型。虽然没有CRF层的条件也可以得到每个单元的预测标签, 但是不能保证标签的预测每次都是正确的，CRF层能从训练数据中获得约束性的规则，提高识别的准确率。最终，CRF层会将类别序列中分数最高的类别输出为最终提取结果。
步骤S4，训练BiLSTM-CRF模型，训练完成后将所要提取的知识输入模型进行实体和属性的识别。
步骤S5，关系抽取主要是从频谱信息中抽取出频谱实体间或频谱实体与频谱属性间的语义关系，主要的方法包含基于模板的方法、基于监督学习的方以及基于深度学习的方法。本发明使用基于模板的方法进行频谱信息的关系抽取。例如，实体“通道”与“信号”之间的频谱关系为感知。
三、步骤S3具体包括以下步骤：
步骤S31、确定本体模型范围：频谱知识图谱属于领域知识图谱，卫星领域所要体现的知识包括卫星的系统组成、卫星的基础信息，如卫星的编号、类型、运营商等，用于对卫星身份进行识别；频谱领域方面的知识包括进行感知的波束、感知时间、信号带宽、中心频率等；
步骤S32、考虑重用现有的本体：在目前已发布的知识图谱成果中，没有发现适用于低轨卫星频谱感知信息知识图谱的本体，因此，本体层需要从头开始进行开发和设计；
步骤S33、获取知识定义并设计语义单元：列出领域信息中的重要术语, 如卫星领域中对卫星系统组合等相关概念的定义。为便于后续对象类、关系和属性的规范定义，本发明设计语义单元进行约束，语义单元形式化表达为。
中各元素的具体含义如下： />表示抽象语义单元的非空集合，集合元素/>表示为本体层中的抽象概念类型，例如低轨卫星类、信号类等。 />表示语义单元中连接边的非空集合，用于描述各类型语义单元之间的关系，元素/>表示概念语义单元之间的联系，如：kind-of表示节点的父子类关系，part-of表示整体和部分的关系等。/>表示抽象语义单元属性的非空集合，其中元素/>可以表示数据属性，也可以表示对象属性，如频率值、带宽值等属于数据属性，通道观测时间、信号特征等属于对象属性。
步骤S34、本体模型包括概念类、属性和关系，定义概念类、属性和关系：概念类是领域信息中概念的抽象表示，是从客观存在的对象中抽象而来。按照概念的固有属性和语义单元的约束进行分析和归纳，确定概念间的关系以及概念与属性间关系。本发明定义了三级概念类，一级概念类为LEO卫星，二级概念类为波束，三级概念类为感知信号；明确了五类关系：具有、组成、感知/观测、子系统以及数值关系；除三级概念类以外，其他概念在本发明中定义为属性。
步骤S35、验证和分析本体：构建本体模型并对其进行评估、验证，若本体模型构建不合理，则需要按构建流程检查每一个步骤，针对找出的问题作出相应修改，然后对模型重新进行评估，直至验证通过。
四、步骤S4基于所构建本体的约束，具体包括以下步骤：
步骤S41、实体链接：利用编程语言将提取出的信息构建标签，分类包装，对每个特定时间、空间、频段下提取的信息生成唯一性标志，将不同数据类型中具有关联的实体和属性进行连接，并删除重复的实体；
步骤S42、知识映射：用本体层中的概念对每个实体进行标记，将CSV数据映射为本体中语义单元的形式，最终形成三元组；
知识融合的目的是在所定义模式层本体的约束下，剔除无效知识、避免信息孤岛，使知识连接更加紧密、更具价值；在所设计语义单元的约束下，将提取到的知识及关系形成三元组格式。
五、步骤S5的实现过程如下：
步骤S5选用图数据库存储并可视化频谱知识图谱，经过步骤S4的知识融合后，通过导入py2neo模块，将受本体层约束的三元组转换成节点和连接，频谱知识图谱被存储并可视化在Neo4j的图形数据库中。
以上所述仅是本发明的优选构建方式，此处不做限制，在遵循本发明原理的基础上，对于本领域的普通技术人员而言，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。
本发明的技术方案效果可通过以下仿真进一步验证：
仿真场景：用快照模型表示其每次过顶感知的瞬间。一颗卫星每次经过一个区域时收到该区域的感知数据，逐渐形成该区域的感知结果，本发明针对单颗卫星过顶一个区域场景构建频谱知识图谱进行研究。该场景的空间段为一颗LEO卫星，其轨道高度为500km，轨道倾角为86.4°。地面段的地面站位于南京。地面站向空间发射电磁信号，低轨卫星作为频谱感知源获取频谱数据。地面站位置以[纬度，经度]的形式表示，南京站位于[32°,119°]。天线发射频率为12GHz，发射功率为30dBW。
实验内容与结果：从可视化效果可以看出，通过构建低轨卫星频谱感知信息知识图谱，将复杂电磁环境中的对象和关联映射至实体和关系上，形成网状拓扑知识模型，将分散的星上频谱感知信息有机地整合在一起，实现对频谱态势信息的形式化表征，便于星上感知信息的查询与分析，进而有效支撑LEO星座资源调度等领域工作。
综上所述，本发明从卫星、波束和感知信号的角度出发，提出的一种低轨卫星频谱感知信息的知识图谱构建方法通过获取信息并对信息分类；并对获取信息进行知识抽取；然后构建模式层本体模型；对所提取知识进行融合；最后生成频谱知识图谱并进行存储。该方法在LEO卫星动态性强、星上处理能力及星地链路传输能力受限的情景下，形式化表征LEO卫星频谱感知信息的语义及其复杂关系，有效整合频谱感知信息，反映复杂多变的用频态势环境。解决了LEO卫星频谱感知原始数据分析效率低、频谱态势生成复杂、传输带宽要求高的问题。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：包括如下步骤：
步骤S1，从低轨卫星频谱感知角度，获取领域信息并进行信息的划分；
步骤S2，对非结构化信息和半结构化信息提取知识，生成实体和关系；
步骤S3，构建频谱知识图谱模式层的本体模型；
步骤S4，通过实体链接和知识映射将提取的实体与关系映射至对应本体模型中，形成三元组格式；
步骤S5，将受本体层约束的三元组转换成节点和连接，存储于知识图谱。
2.根据权利要求1所述的一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：所述步骤S1包括如下步骤：
步骤S11，获取与LEO频谱感知相关的领域信息，所述领域至少包括卫星领域和频谱领域；
步骤S12，明确获取的所述领域信息中的数据类型，数据类型具体为结构化数据、半结构化数据和非结构化数据；所述结构化数据是具有固定格式和结构的数据；所述半结构化数据是具有层次结构但不符合结构化数据模型的数据；所述非结构化数据是没有清晰结构的数据；
步骤S13，由步骤S12中数据的定义可知，所述卫星领域和所述频谱领域的半数以上的数据为所述半结构化数据或所述非结构化数据；
步骤S14，对于所述步骤S11所获取的领域信息中的具体数据进行归类，明确频谱数据、星历数据属于所述半结构化数据，卫星载荷、卫星平台信息属于所述非结构化数据。
3.根据权利要求1所述的一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：所述步骤S2包括如下步骤：
步骤S21，基于步骤S1中的信息的划分，针对不同数据类型采用不同的方法进行知识提取，以生成实体与关系；
步骤S22，对于所述半结构化数据部署了基于模板和Matlab脚本的方法来提取实体和属性；粗糙处理后的数据以CSV格式存储；
步骤S23，对于非结构化数据采用基于BiLSTM-CRF模型的深度学习方法提取实体和属性，使用基于模板的方法提取非结构化数据的各类关系。
4.根据权利要求3所述的一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：所述步骤S23包括如下步骤：
步骤S231，构建目标序列标记集合，其包括： O非实体部分，SATELLITE卫星，PAYLOAD卫星载荷，PLATFORM平台信息，SUBSYSTEM子系统；
步骤S232，采用BIO三元标记生成分类字典，具体为：'O'：0，'SATELLITE-B'：1，'SATELLITE-I'：2，'PAYLOAD-B'： 3；'PAYLOAD-I'：4，'PLATFORM-B'：5，'PLATFORM-I'：6，'SUBSYSTEM-B'：7，'SUBSYSTEM-I'：8；
步骤S233，搭建训练模型，所述训练模型具体为BiLSTM-CRF模型，所述BiLSTM-CRF模型的输入是词嵌入向量，输出是每个单词对应的预测标签；BiLSTM-CRF模型内部具体为：Embedding层-两个BiLSTM层-CRF层；
步骤S234，训练BiLSTM-CRF模型，训练完成后将所要提取的知识输入模型进行实体和属性识别；
步骤S235，使用基于模板的方法进行频谱信息的关系抽取，所述关系抽取是从频谱信息中抽取出频谱实体间或频谱实体与频谱属性间的语义关系。
5.根据权利要求4所述的一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：所述步骤S233包括如下步骤：
步骤S2331：Embeding层将字符转换为向量，并将转换后的向量送入BiLSTM层进行计算；
步骤S2332：所述BiLSTM为双向LSTM，所述BiLSTM计算每个词向量对应标签的得分，所有的经BiLSTM层输出的分数将作为CRF层的输入送至CRF层；
步骤S2333：CRF为在给定输入序列的条件下，求解输出序列的条件概率分布模型；CRF层从训练数据中获得约束性的规则，CRF层将类别序列中分数最高的类别输出为最终提取结果。
6.根据权利要求1所述的一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：所述步骤S3包括如下步骤：
步骤S31：确定本体模型范围：频谱知识图谱属于领域知识图谱，卫星领域所要体现的知识至少包括卫星的系统组成、卫星的基础信息，用于对卫星身份进行识别；频谱领域方面的知识至少包括进行感知的波束、感知时间、信号带宽、中心频率；
步骤S32：开发和设计适用于低轨卫星频谱感知信息知识图谱的本体层；
步骤S33：获取知识定义并设计语义单元：列出领域信息中的重要术语，设计语义单元进行约束，语义单元形式化表达为；
步骤S34：本体模型包括概念类、关系和属性，定义概念类、属性和关系，具体如下：概念类是领域信息中概念的抽象表示；按照概念的固有属性和语义单元的约束进行分析和归纳，确定概念间的关系以及概念与属性间关系；定义了三级概念类：一级概念类为LEO卫星，二级概念类为波束，三级概念类为感知信号；明确了五类关系：具有、组成、感知/观测、子系统以及数值关系；除所述三级概念类以外，其他概念定义为属性；
步骤S35：构建本体模型并对其进行评估、验证，且当本体模型构建不合理时，需按构建流程检查每一个步骤，针对问题作出相应修改，对模型重新评估，直至验证通过。
7.根据权利要求6所述的一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：所述各元素的具体含义如下：
表示抽象语义单元中实体的非空集合，集合元素/>表示为本体层中的抽象概念类型；
表示语义单元中连接边的非空集合，用于描述各类型语义单元之间的关系，元素/>表示概念语义单元之间的联系；
表示抽象语义单元属性的非空集合，其中元素/>表示数据属性或表示对象属性。
8.根据权利要求1所述的一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：所述步骤S4包括如下步骤：
步骤S41：实体链接：利用编程语言将提取出的信息构建标签，分类包装，对每个特定时间、空间、频段下提取的信息生成唯一性标志，将不同数据类型中具有关联的实体和属性进行连接，并删除重复的实体；
步骤S42：知识映射：用本体层中的概念对每个实体进行标记，将CSV数据映射为本体模型中语义单元的形式，形成三元组。
9.根据权利要求1所述的一种低轨卫星频谱感知信息的知识图谱构建方法，其特征在于：所述步骤S5选用图数据库存储并可视化频谱知识图谱，经过所述步骤S4的知识融合后，通过导入py2neo模块，将受本体层约束的三元组转换成节点和连接，频谱知识图谱被存储并可视化在Neo4j的图形数据库中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410381503.1A CN117973521A (zh) | 2024-04-01 | 2024-04-01 | 一种低轨卫星频谱感知信息的知识图谱构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410381503.1A CN117973521A (zh) | 2024-04-01 | 2024-04-01 | 一种低轨卫星频谱感知信息的知识图谱构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117973521A true CN117973521A (zh) | 2024-05-03 |
Family
ID=90855096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410381503.1A Withdrawn CN117973521A (zh) | 2024-04-01 | 2024-04-01 | 一种低轨卫星频谱感知信息的知识图谱构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973521A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019170093A1 (zh) * | 2018-03-07 | 2019-09-12 | 西安电子科技大学 | 一种生成频谱态势的方法、装置及计算机存储介质 |
| CN114880484A (zh) * | 2022-05-11 | 2022-08-09 | 军事科学院系统工程研究院网络信息研究所 | 一种基于向量映射的卫星通信频轨资源图谱构建方法 |
-
2024
- 2024-04-01 CN CN202410381503.1A patent/CN117973521A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019170093A1 (zh) * | 2018-03-07 | 2019-09-12 | 西安电子科技大学 | 一种生成频谱态势的方法、装置及计算机存储介质 |
| CN114880484A (zh) * | 2022-05-11 | 2022-08-09 | 军事科学院系统工程研究院网络信息研究所 | 一种基于向量映射的卫星通信频轨资源图谱构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| YIJIE MA等: "Research on Knowledge Graph Construction and Semantic Representation of Low Earth Orbit Satellite Spectrum Sensing Data", ELECTRONICS 2024, 6 February 2024 (2024-02-06), pages 1 - 16 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhong et al. | SatCNN: Satellite image dataset classification using agile convolutional neural networks | |
| CN112215837B (zh) | 多属性图像语义分析方法和装置 | |
| Huang et al. | Identifying disaster related social media for rapid response: a visual-textual fused CNN architecture | |
| Chen et al. | Recursive context routing for object detection | |
| Shi et al. | Network embedding via community based variational autoencoder | |
| CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
| CN112417289A (zh) | 一种基于深度聚类的资讯信息智能推荐方法 | |
| Ke et al. | Efficient multi-view clustering networks | |
| KR20200082179A (ko) | 공간 데이터의 의미론적 주석을 위한 데이터 변환 방법 | |
| CN115951883A (zh) | 分布式微服务架构的服务组件管理系统及其方法 | |
| Kibret et al. | Category theoretic based formalization of the verifiable design process | |
| Kong et al. | RETRACTED ARTICLE: Multimodal interface interaction design model based on dynamic augmented reality | |
| CN115797737A (zh) | 一种耦合知识图谱与深度神经网络的遥感图像挖掘方法 | |
| Zhao et al. | Image network teaching resource retrieval algorithm based on deep hash algorithm | |
| Potnis et al. | Semantics-driven remote sensing scene understanding framework for grounded spatio-contextual scene descriptions | |
| CN115905605A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
| Zhu et al. | Mmiea: Multi-modal interaction entity alignment model for knowledge graphs | |
| CN117312957A (zh) | 遥感图像识别模型生成方法、装置、设备、介质及产品 | |
| CN117349784A (zh) | 遥感数据的处理方法、装置及设备 | |
| Wen et al. | Semi-supervised label enhancement via structured semantic extraction | |
| Li et al. | Evaluating BERT on cloud-edge time series forecasting and sentiment analysis via prompt learning | |
| CN117973521A (zh) | 一种低轨卫星频谱感知信息的知识图谱构建方法 | |
| Zhu | A graph neural network-enhanced knowledge graph framework for intelligent analysis of policing cases | |
| Wang et al. | Hybrid ontology matching for solving the heterogeneous problem of the IoT | |
| Lu | Design of visual communication based on deep learning approaches |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240503 |