【技术实现步骤摘要】
一种基于事理图谱的军事情报智能分析及推演方法
[0001]本专利技术属于数据处理
,具体涉及一种基于事理图谱的军事情报智能分析及推演方法。
技术介绍
[0002]军事情报数据是重要的信息来源,传统的作战数据处理,往往依赖于在人脑中进行的快速梳理与整合,形成以时间和因果关系为主的战场局势描述。然而,大量的非结构化文本数据的处理依赖人工很难保证其准确性,同时很难辅助指挥员做出快速响应。随着深度学习和自然语言处理技术的发展以及无人作战平台的大量应用,未来战场的数据处理模式将不可避免地从信息化向智能化转变。为了推动人工智能在作战领域的应用,迫切需要一种自动化、智能化方法来处理军事情报数据,挖掘隐藏关键信息及其关联关系,并通过可视化技术将其多维度的表现出来,从而辅助提升作战行动和指挥决策的效率。
[0003]面对海量的多源异构情报数据,传统的数据组织方式已无法支撑用户简单快速获取军事信息服务的要求,亟需构建一套完整的面向作战数据的事件知识体系,对异构情报数据进行统一建模。信息化战争产生的海量数据将会为情报分析提供前所未有的价值,但与此同时,如何对庞杂的数据进行整理,发掘看似“杂乱无章”的数据之间的关联,也是难点之一。信息化战争的信息形态包括一切与军事目标、作战行动等有关的事实、过程、状态信息。这些信息的数据规模大,分布范围广,数据类型多,关联关系复杂,为了有效支撑现代化战争中快速、有效信息获取的能力,需要开展复杂军事环境知识规范化表示与统一建模技术的研究。
[0004]挖掘情报数据,分析军事事件演化规律, ...
【技术保护点】
【技术特征摘要】
1.一种基于事理图谱的军事情报智能分析及推演方法,其特征在于,包括以下步骤:步骤一:事理图谱自动构建事理图谱的构建过程包括数据采集与清洗、事件逻辑抽取、多模态数据融合以及事理规则学习四部分内容;1)数据采集与清洗;数据采集时,从数据源进行引接,并进行高并发实时采集,然后对采集的数据进行清洗,包括通过定制化数据清洗模型,去除无关内容,将待处理的文本转化为进一步分析所需要的输入格式数据;2)事件逻辑抽取;构建Wasserstein生成式对抗网络模型针对清洗后的数据,对主题事件、属性和逻辑关系进行自动抽取,形成逻辑关系嵌入向量,以挖掘现实世界中的事理知识信息;3)多模态数据融合;通过使用多模态联合网络化合成表示将所抽取的不同来源、不同手段、不同结构的数据进行统一的表征与管理,得到多模态统一表征网络;4)事件规则学习;事件规则学习是面向所述多模态统一表征网络,通过一定的认知推理方法,挖掘事件网络模型之间的逻辑关系,从而使得网络以人类认知理解方式进行推理,实现事件认知图谱的应用;在事件规则学习过程中,针对多模态统一表征网络,首先使用Transformer的编码器结构提取文本的嵌入向量,使用CNN方法提取图像的嵌入向量,形成事件图谱的嵌入向量,然后融合事件逻辑抽取的逻辑关系嵌入向量,形成多模态嵌入表征,从而完成异构网络模型间的语义及时空关联,实现事理规则的学习及推理,得到多模态事理图谱,多模态事理图谱包含图片、文本含有的事件、实体信息以及事件之间的逻辑关系;步骤二:以事件为中心的演化推断基于所构建的多模态事理图谱,通过对历史事件的复盘分析,将实战数据进行多方位的仿真推演,形成仿真推演模型,仿真推演过程包括战场环境、兵力部署、作战能力、动态目标这些关键要素信息的推演;通过结合事件信息及推演过程得到的战场环境、兵力部署、作战能力、动态目标这些关键要素,并引入时间维度信息,构建时序事件图谱,在时序事件图谱的基础上,根据客观实体和事件建立事件表征模型,事件表征模型中包含事件的基本要素以及影响事件发展的关键要素,然后将历史案例拟合结果与真实结果对比,优化所述仿真推演模型,最后预测出未来事件的不同发展趋势;其中,通过结合步骤一得到的多模态事理图谱、所述时序事件图谱的方式进行事件推理预测;首先应用多模态事理图谱进行推理:对于发生的新事件,计算其与多模态事理图谱中各个节点的相似度,找到多模态事理图谱中与该新事件最相似的节点;然后,根据与新事件最相似的节点在多模态事理图谱中的泛化节点,进而推演该新事件基于多模态事理图谱的后续的演化方向;在完成基于多模态事理图谱的推理后,根据时序事件图谱,将对未来事件预测的任务,抽象为对时序事件图谱未来状态的推理任务,其中,通过对历史事件信息进行循环编码、对时序事件图谱中的相邻事件的信息进行聚合,通过聚合的历史事件、时序相邻事件以及同时发生事件,推断出关...
【专利技术属性】
技术研发人员:王又辰,范昕煜,程俊杰,杨雨婷,刘兵,
申请(专利权)人:北京计算机技术及应用研究所,
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。