【技术实现步骤摘要】
一种导航知识图谱构建及推理应用方法
[0001]本专利技术涉及飞机导航技术和知识图谱领域,具体为一种导航知识图谱构建及推理应用方法,通过机器学习技术对组合导航系统中不同类型的结构化和非结构化数据进行认知学习,主要通过特征提取、数据映射、图表示学习等系列过程构建导航知识图谱,从而提升组合导航系统的异常检测能力,实现高层次的智能决策。
技术介绍
[0002]飞行器包括:飞机、导弹等,作为保卫国防的重要组成力量,能完成特定的战略任务。各类飞行器在空中运行,需要精确导航确定自身的位置,才能保证飞行姿态和飞行位置满足作战需求。导航技术是飞行器技术体系的重要组成部分,在客机等民用领域和导弹、火箭、航空航天等军用领域都得到了广泛应用,是国家重要的信息和战略资源。随着多种高性能的航空飞行器的研发,对导航设备的要求也不断提高,航空飞行器按照预定的轨迹航行、着陆,需更高精度导航提供实时的位置、速度等信息。飞机航程越来越远,需要覆盖范围更广的导航配合。军用飞机需在各种天气、地形条件下准确、及时地完成各项任务,离不开系统可靠性高的导航服务。
[0003]随着科学技术的发展,飞行器导航技术得到了快速进步,根据不同的导航目的,不同的导航技术表现出各自的特点,根据导航原理的差异,飞行器导航系统可分成多种形式。目前飞行器上常采用的导航系统有:惯性导航系统(SINS)、全球卫星导航系统(GPS)、多普勒导航系统(DVL)、天文导航系统(CNS)、地形辅助导航系统(STAN)等。而随着飞机等飞行器作战任务的提升,单一类型的导航系统已经无法满足工 ...
【技术保护点】
【技术特征摘要】
1.一种导航知识图谱构建及推理应用方法,其特征在于:包括以下步骤:S1:根据导航传感器获取的IMU数据和GNSS数据,提取组合导航的结构化数据特征;S2:根据视觉导航数据,提取组合导航的图像数据特征;S3:根据组合导航的文本数据,提取组合导航的非结构化文本数据特征并进行实体关系抽取;所述文本数据包括历史数据、故障分析报告;S4:根据由步骤S1、S2、S3获取的联合特征构建组合导航知识图谱,利用图卷积神经网络模型来对组合导航知识图谱进行迭代更新;S5:根据组合导航知识图谱和组合导航解算的当前状态特征,对组合导航当前状态进行认知推理与决策,提升导航系统异常诊断率和容错率。2.根据权利要求1所述一种导航知识图谱构建及推理应用方法,其特征在于:步骤S1具体包括以下步骤:S1.1:对导航传感器采集到的原始数据进行预处理,得到相对纯净的数据信息;S1.2:对预处理后的信号进行时域转频域的变换,获取其频谱信息;S1.3:对所述频谱信息按幅值积分值分段,获得各个分段的带宽信息;S1.4:对所述带宽信息进行换算,得到异常检测所需的特征值。3.根据权利要求2所述一种导航知识图谱构建及推理应用方法,其特征在于:步骤S1.3包括以下步骤:将所述频谱信息按幅值积分和均分为m段,将每段的终点频率减去起点频率,获得每段的频带宽度;根据频谱幅度Y(n)求取积分和σ:其中,N表示频谱曲线点数;计算均分为m段后每段的积分和σ
′
,如下:σ
′
=σ/m将频谱按Y(n)积分和等于σ
′
分为m段,得到各个分段点的频点X
j
,其中j=0、1、
……
、m;再计算得到每段的频带宽度b(i),其中i=0、1、
……
、m
‑
1,b(i)=X
i+1
‑
X
i
。4.根据权利要求2所述一种导航知识图谱构建及推理应用方法,其特征在于:步骤S1.4包括以下步骤:对带宽值进行归一化运算,然后将归一化后的数值取倒数,再求其自然对数,最后再次归一化得到特征值。5.根据权利要求1所述一种导航知识图谱构建及推理应用方法,其特征在于:步骤S2包括以下步骤:S2.1:CNN模型中的五层卷积层为几何尺寸是5
‑3‑5‑3‑
1的结构;S2.2:在池化层采用了平均池化和最大值池化两种方法,总共有3层池化层;前三层卷积层后面都有一层池化层,用于数据降维、去冗余信息;最后两层卷积层输出的特征维度为1,不需要经过池化层处理;第一层池化层采用平均池化,以保留整体数据的特征和凸出背景的信息;后两层池化采用最大值池化;S2.3:对特征图进行零填充:设每张输入特征图的尺寸为i
×
i,卷积核尺寸为k
×
k,步长为s,零填充范围为p,则每张输出特征图的尺寸l
×
l满足下式:
对零填充后的图像进行特征学习,之后再进行卷积、池化过程;在此网络结构中,每一层卷积层后面接着一层激活函数层,给网络加入非线性的因素,网络中采用的是ReLU激活函数:f(x)=max(0,x)S2.4:训练卷积神经网络:S2.4.1、对数据集图像进行预处理,使输入满足卷积神经网络的输入条件;S2.4.2、将事先拍摄的各地型图像数据集随机分为训练数据和测试数据;S2.4.3、将训练数据集带入卷积神经网络进行训练;S2.4.4、将测试数据集带入卷积神经网络,用以检测所设计的卷积神经网络的优劣;S2.4.5、将从测试集带入卷积神经网络得到的图像的抽象特征,进行保存,作为导航知识图谱的输入数据;训练过程中,使用随机梯度下降法对网络参数进行更新,参数更新规则如下:更新,参数更新规则如下:其中α为学习率,和分别是CNN的代价函数J(W,b)对权重参数W和b的偏导数,代价函数J(W,b)为:通过以上特征学习得到图像深层次的特征向量。6.根据权利要求1所述一种导航知识图谱构建及推理应用方法,其特征在于:步骤S3包括以下步骤:S3.1:采用双向长短时记忆循环神经网络模型计算目标文本语句中每个词Xi对应的所有可能标签的概率Zi;S3.2:采用条件随机场对目标文本语句中的每一个词Xi进行标注,计算出最优标注序列Y*,根据最优标注序列Y*获取目标文本语句中的目标实体;
S3.3:采用基于文本的卷积神经网络模型抽取目标实体之间的关系。7.根据权利要求6所述一种导航知识图谱构建及推理应用方法,其特征在于:步骤S3.1包括以下步骤:S3.1.1:采用双向长短时记忆循环神经网络模型在预设查找表中查找目标文本语句X=X1,X2,
…
,X
N
中的每一个词Xi对应的词向量Ei;S3.1.2:将词向量Ei作为Bi
‑
LSTM模型的输入,分别从右至左和从左至右扫描,得到两个第一输出序列S3.1.3:将第一输出序列和进行串接,抽取和的特征,并计算每个词Xi对应的所有可能标签的概率Zi,计算公式如下:Z
i
=W2·
h
i
′
式中,W1表示隐藏层参数矩阵,b1表示隐藏层偏置,h
i
′
表示第一输出序列中第i个值的隐藏层输出,W2表示输出层参数矩阵;步骤S3.2包括以下步骤:S3.2.1将目标文本语句X=X1,X2,
…
,X
N
作为条件随机场模型的输入计算得到第二输出序列,并计算第二输出序列对应的标签序列Y=Y1,Y2,
…
,Y
N
;步骤3.2.2根据每个词X...
【专利技术属性】
技术研发人员:布树辉,胡劲松,李霓,唐小军,李永波,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。