态势感知知识图谱.docx

态势感知知识图谱.docx

《态势感知知识图谱.docx》由会员分享，可在线阅读，更多相关《态势感知知识图谱.docx（6页珍藏版）》请在冰点文库上搜索。

态势感知知识图谱

态势感知-知识图谱

一、态势感知（SA）

定义

SA的正式定义是“对一定时间和空间环境中的元素的感知，对它们的含义的理解，并对他们稍后状态的投影，态势感知这个词最早来自于军队飞行员的领域。

对SA的正式定义分解为三个独立的层次：

Level1- 对环境中的元素的感知

Level2- 对当前形势的理解（知识图谱的主要应用领域）

Level3- 未来状况的投影

一级：

环境中元素的感知 

实现SA的第一步是感知环境中的相关元素的状态，属性和动态。

对于每个域和作业类型，所需的要求是完全不同的。

飞行员需要感知的要素，如其他飞机，地形，系统状态和警告灯，以及他们的相关特性。

在驾驶舱里，持续监控所有相关的系统和飞行数据，其他飞机，和导航数据的任务相当繁重。

一个军官需要探测敌人，平民和友军的位置和行动，地形特征，障碍和天气。

一个空中交通管制或汽车司机有一套不同的态势感知。

二级SA:

现状的理解

实现良好SA的第二步是理解数据和线索对目标和目的意味着什么。

理解（第2级SA）基于不相交的1级元素的综合，以及该信息与个人目标的对照（图2.3）。

它涉及集成许多数据以形成信息，并且优先考虑组合信息与实现当前目标相关的重要性和意义。

2级SA类似于具有高水平的阅读理解，而不是仅仅阅读单词。

军事指挥官的2级SA可能涉及理解在给定

成这些预测。

通过不断地前向映射，他们能够制定一套现成的战略和对事件的反应。

这让他们掌握主动，避免许多不期望的情况，并且当各种事件发生时也非常快速地响应。

二、知识图谱

1.知识图谱的概念

知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成。

实体:

指的是具有可区别性且独立存在的某种事物。

如某一个人、某一个城市、某一种植物等、某一种商品等等。

世界万物有具体事物组成，此指实体。

如图1的“中国”、“美国”、“日本”等。

，实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。

语义类（概念）：

具有同种特性的实体构成的集合，如国家、民族、书籍、电脑等。

概念主要指集合、类别、对象类型、事物的种类，例如人物、地理等。

内容:

通常作为实体和语义类的名字、描述、解释等，可以由文本、图像、音视频等来表达。

属性（值）:

从一个实体指向它的属性值。

不同的属性类型对应于不同类型属性的边。

属性值主要指对象指定属性的值。

如图1所示的“面积”、“人口”、“首都”是几种不同的属性。

属性值主要指对象指定属性的值，例如960万平方公里等。

关系:

形式化为一个函数，它把kk个点映射到一个布尔值。

在知识图谱上，关系则是一个把kk个图节点（实体、语义类、属性值）映射到布尔值的函数。

基于三元组是知识图谱的一种通用表示方式，三元组的基本形式主要包括（实体1-关系-实体2）和（实体-属性-属性值）等。

每个实体（概念的外延）可用一个全局唯一确定的ID来标识，每个属性-属性值对（attribute-valuepair，AVP）可用来刻画实体的内在特性，而关系可用来连接两个实体，刻画它们之间的关联。

2.知识图谱的架构

知识图谱的架构包括自身的逻辑结构以及构建知识图谱所采用的技术（体系）架构。

2.1知识图谱的逻辑结构

知识图谱在逻辑上可分为模式层与数据层两个层次，数据层主要是由一系列的事实组成，而知识将以事实为单位进行存储。

如果用（实体1，关系，实体2）、（实体、属性，属性值）这样的三元组来表达事实，可选择图数据库作为存储介质，例如开源的Neo4j、Twitter的FlockDB、sones的GraphDB等。

模式层构建在数据层之上，是知识图谱的核心，通常采用本体库来管理知识图谱的模式层。

本体是结构化知识库的概念模板，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小。

2.2知识图谱的体系架构

图1知识图谱的技术架构

知识图谱的体系架构是其指构建模式结构，如图2.1所示。

其中虚线框内的部分为知识图谱的构建过程，也包含知识图谱的更新过程。

知识图谱构建从最原始的数据（包括结构化、半结构化、非结构化数据）出发，采用一系列自动或者半自动的技术手段，从原始数据库和第三方数据库中提取知识事实，并将其存入知识库的数据层和模式层，这一过程包含：

信息抽取、知识表示、知识融合、知识推理四个过程，每一次更新迭代均包含这四个阶段。

知识图谱主要有自顶向下（top-down）与自底向上（bottom-up）两种构建方式。

自顶向下指的是先为知识图谱定义好本体与数据模式，再将实体加入到知识库。

该构建方式需要利用一些现有的结构化知识库作为其基础知识库，例如Freebase项目就是采用这种方式，它的绝大部分数据是从维基百科中得到的。

自底向上指的是从一些开放链接数据中提取出实体，选择其中置信度较高的加入到知识库，再构建顶层的本体模式。

目前，大多数知识图谱都采用自底向上的方式进行构建，其中最典型就是Google的KnowledgeVault和微软的Satori知识库。

现在也符合互联网数据内容知识产生的特点。

军事应用示例：

关系融合应用比传统目标位置信息融合复杂，需要一定的知识积累，在建立战场目标知识库基础上，增加相关知识融合算法，实现知识迭代更新。

本文以陆战场目标关系融合应用为例，设计了关系融合的一般应用模式，主要包括陆战场目标本体理解、机场本体建模和机场实体知识图谱构建三个部分。

1）陆战场目标本体理解：

陆战场目标包括机场、阵地、营地、基地、障碍物、人物和车辆等，表征目标的信息内容多样、属性元素超多且关系复杂，对目标进行理解是第一步。

充分利用人的记忆、阅读和思维规律，采用思维导图将图形、文字和颜色相结合，构建出机场知识体系。

从机场本体中心开始，按照基本信息、组成结构、作战能力、综合保障、武器部署、周边防御、环境及影响和动向趋势8个子主题不断扩展和深入，逐步形成一个向周围发散的树状图。

其中，同一层节点数表明思维的广度，一个分支长度表明思维的深度，最终构成机场本体完整认知的一幅思维图谱。

机场本体思维图谱如图1所示，机场目标知识图谱如图2所示。

2）机场本体建模：

基于本文本体构建方法，对机场本体进行建模。

机场本体概念子类可分为军用、民用和军民用机场，关系包括部署、防御和保障等关系，如图2上半部分（模式层）所示。

3）机场实体知识图谱构建：

根据建立的机场本体模型，针对结构化和非结构化信息，按照关系融合过程进行处理，构建机场实体知识图谱，如图2下半部分（数据层）所示。

图2机场本体思维图谱

图3机场目标知识图谱