一种导航知识图谱构建及推理应用方法技术

本发明专利技术提出一种导航知识图谱构建及推理应用方法，先对结构化导航数据进行预处理、时域转频域变换、幅值积分值分段获取带宽、带宽信息换算，得到异常检测所需的特征值；采用神经网络模型提取视觉导航数据中的环境信息特征；采用双向长短时记忆循环神经网络模型和条件随机场模型识别历史、文本资料中的目标实体，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。在提取组合导航数据后，根据提取出的联合特征和实体关系信息构建导航知识图谱；借助图卷积神经网络模型对知识图谱进行关系学习、迭代更新，让知识图谱得到更全面的特征表示。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。认知推理与决策。认知推理与决策。

【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程应用需求，在这种情况下，组合导航技术应运而生。组合导航是一种结合两种或多种导航系统，并由各种导航装置计算和控制的导航系统，组合导航可以将各种导航的结果相互比对，从而消除大部分误差，使得导航结果更加准确。但当前组合导航面对复杂导航环境的局限性很大，需要与能够处理大量数据并进行自我学习的知识图谱技术相结合来提升组合导航的性能。
[0004]知识图谱本质上是一种基于实体之间关系的语义网络，即利用可视化的图谱形象地展示现实世界里实体与实体之间的关系。它不仅能够对不同数据资源及其载体进行描述，而且还提供了从“关系”的角度去分析和描述问题的能力。而无人机导航过程中所获取的信息主要包括事先侦察数据(如卫星拍摄的图像)以及自携传感器采集的数据(如图像、GPS信息、激光点云等)。通过构建知识图谱，可对文本、信号、图像等多源异构信息进行规范化存储、管理和关联。知识图谱的构建依赖于大量的知识，而大部分的信息都是非结构化的，利用深度学习技术是解决知识获取的重要手段。大量的深度学习模型可以有效完成端到端的实体识别、关系抽取和关系补全等任务，进而可以用来构建或丰富知识图谱。
[0005]深度神经网络已经广泛应用于不同类型的人工智能数据判别和分析领域，在对非结构化数据处理方面也取得了良好的进展。深度网络模型通过逐层特征学习得到高层次语义特征，特别是CNN模型，每层卷积层的卷积过程更适合提取图像的特征。CNN通过卷积运算从浅层低级特征映射到高层高级语义特征中，具有良好的容错能力、并行处理能力和自学
习能力。
[0006]受到深度学习领域进展的驱动，顺势而生的图神经网络(Graph Neural Network,GNN)是一种连接模型。图神经网络利用深度神经网络对图数据中的拓扑结构信息和属性特征信息进行整合，进而提供更精细的节点或子结构的特征表示，并能很方便地以解耦或端到端的方式与下游任务结合，巧妙地满足了知识图谱对学习实体、关系的属性特征和结构特征的要求。
[0007]对异常信息的识别即异常检测是组合导航的重要环节，是提高导航准确度和可靠性的重要途径。在多导航传感器信息融合过程中，如何实时检测异常导航信息是一项非常重要的工作。然而，现有技术仅针对PNT(定位、导航、授时)数据等结构化数据的特征提取，均存在以下问题：
[0008]1)真实异常数据的缺乏，忽视了大量文本、历史资料中蕴含的知识；
[0009]2)各个导航源数据之间的关系没有挖掘；
[0010]3)使用了固定的数学模型，无法应对各种不同的情况；
[0011]4)仅仅考虑了导航数据，而没有考虑环境信息。
[0012]为了保证异常导航信息不会影响整个导航系统，需要对多导航源信息的异常进行检测。通过建立导航知识图谱将具备表达导航的结构化数据以及非结构化数据进行整合，并挖掘各类数据内在的关系，根据已有的知识图谱和当前的状态特征，从输入数据中分析是否存在干扰和诱骗，并判断哪种导航源存在问题，推理判断导航结果的可信度，从而为高可靠导航的异常诊断和容错提供支持。

技术实现思路

[0013]本专利技术的目的是通过知识图谱将组合导航的结构化、非结构化数据进行整合，并挖掘各类数据内在的关系，从而实现高可靠导航，主要包括以下步骤：
[0014]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；
[0015]S2：根据视觉导航数据，提取组合导航的图像数据特征；
[0016]S3：根据历史数据、故障分析报告等，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；
[0017]S4：根据由步骤S1、S2、S3获取的联合特征构建导航知识图谱，利用图卷积神经网络模型来对知识图谱进行迭代更新；
[0018]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，以实现导航系统异常诊断率和容错率的提升。
[0019]具体地，步骤S1具体包括以下步骤：
[0020]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；
[0021]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；
[0022]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；
[0023]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。
[0024]具体地，步骤S1.3具体包括以下步骤：
[0025]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，如下：
[0026][0027]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：
[0028]σ
′
＝σ/m
[0029]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
。
[0030]具体地，步骤S1.4具体包括以下步骤：
[0031]对带宽值进行归一化运算，然后将本文档来自技高网...

【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：