一种海战场态势可视化仿真系统技术方案

本发明专利技术公开了一种海战场态势可视化仿真系统，包括：海战场事件数据动态引接模块用于获取多源异构多模态的海战场事件数据；海战场事件数据共享治理模块用于获取可视化分析数据；海战场事件数据可视化分析模块用于通过图

【技术实现步骤摘要】
一种海战场态势可视化仿真系统


：
[0001]本专利技术涉及仿真分析领域，尤其涉及一种海战场态势可视化仿真系统
。

技术介绍

：
[0002]态势情报是情报分析工作中关键要素，是加工信息并理解其含义的过程，典型目标是依据确立事实，并做出准确
、
可靠和有效的推理预测
。
针对海战场的态势情报分析问题，如果能够抽取出实体
、
关系与事件等要素信息，并实现相关事件的关联挖掘，即可向指挥员展示情报事件发生的“脉络”和完整图景，展示相关海战场平台在特定海域和时间内的海战场行动，将非常有利于指挥员对态势的深入掌握
。
[0003]常见的海战场数据分析产品是模式固定的，针对特定的业务需求设置后台接口
、
前端图表布局
。
这样的方式可以高效的完成特定业务功能，但缺少灵活性
。
发现数据规律后，难以在已有数据的基础上做进一步探索分析
。

技术实现思路

[0004]本专利技术提供一种海战场态势可视化仿真系统，以克服上述技术问题
。
[0005]一种海战场态势可视化仿真系统，包括：海战场事件数据动态引接模块
、
海战场事件数据共享治理模块
、
海战场事件数据可视化分析模块；
[0006]所述海战场事件数据动态引接模块用于获取多源异构多模态的海战场事件数据；所述多源异构多模态的海战场事件数据，包括结构化数据
、/>半结构化数据和非结构化数据；
[0007]所述海战场事件数据共享治理模块用于根据所述多源异构多模态的海战场事件数据，获取可视化分析数据；
[0008]所述海战场事件数据可视化分析模块用于根据所述可视化分析数据，通过图
、
表的形式对海战场事件进行多维度展示，以对海战场事件进行可视化分析
。
[0009]进一步的，获取可视化分析数据的方法如下：
[0010]S1
：根据海战场的事件要素和事件关系，建立海战场表示模型；所述事件要素包括时间
、
地理位置
、
人物
、
组织
、
行为；所述事件关系包括：并现关系
、
顺序关系
、
因果关系以及集成关系；
[0011]S2
：根据所述海战场表示模型，获取海战场事件仿真数据集，以实现对海战场事件的信息抽取；
[0012]S3
：根据所述海战场事件仿真数据集，获取海战场事件仿真数据用于预测分类的向量；
[0013]S4
：根据海战场事件仿真数据用于预测分类的向量，基于海战场事件推荐算法，获取可视化分析数据
。
[0014]进一步的，所述
S2
中，对海战场事件的信息抽取方法如下：
[0015]S21、
建立海战场事件概念模型，以获取海战场事件数据集；所述海战场事件概念模型包括主体概念子模型
、
状态概念子模型和行动概念子模型；所述主体概念子模型用于
描述基于海事战场实体的实体类别的要素；所述状态概念子模型用于描述基于海事战场实体的实体类别的要素的状态；所述行动概念子模型用于描述基于海事战场实体的实体类别的要素的动态行为；
[0016]S22、
根据所述海战场事件数据集，对海战场事件信息进行标注，获取样本数据集；
[0017]S23、
将所述样本数据集进行扩充，获取扩充后的样本数据集：
[0018]S24、
将所述扩充后的样本数据集中的数据进行同义词替换，获取增强的样本数据集；
[0019]S25、
根据所述增强的样本数据集，并基于
TENER
的实体识别模型，获取最优的增强的样本数据集中的实体数据的预测结果；其中，所述基于
TENER
的实体识别模块包括：词向量层
、Transformer
层和
CRF
层；
[0020]所述词向量层用于对增强的样本数据集中的实体数据进行字符嵌入；所述
Transformer
层用于对嵌入的结果进行编码，获取增强的样本数据集中的实体数据；所述
CRF
层用于对增强的样本数据集中的实体数据的预测序列进行打分，获取最优的增强的样本数据集中的实体数据的预测序列；
[0021]S26、
在元素抽取阶段，根据所述增强的样本数据集，并基于孪生神经网络，获取增强的样本数据集中的非实体数据的预测结果；
[0022]S27、
根据最优的增强的样本数据集中的实体数据的预测结果，和增强的样本数据集中的非实体数据的预测结果，获取海战场事件仿真数据集，实现对海战场事件信息的抽取
。
[0023]进一步的，所述
S3
中，获取海战场事件仿真数据用于预测分类的向量的方法如下：
[0024]S31
：对海战场事件仿真数据集中的数据进行初始化编码；
[0025]S32
：根据所述初始化编码，通过多个级联的双向
LSTM
获取每一层级的语义编码；
[0026]获取每一层级的语义编码如下：
[0027][0028]H0(Q)
＝
[emb(q1)
，
emb(q2)
，
...
，
emb(q
m
)][0029]H
k+1
(P)
＝
BiLST M
P
(H
k
(P))
[0030]H
k+1
(Q)
＝
BiLST M
Q
(H
k
(Q))
[0031]式中：
P
为海战场事件仿真数据集的候选段；
P
＝
{p1；
p2；
…
p
n
},Q
为输入的问题；
Q
＝
{q1；
q2；
…
q
m
}
；
H0(
·
)
表示的是一个序列的初始化编码；
emb(
·
)
是指词嵌入；
f(
·
)
是对候选段
P
中的词进行额外的表示的特征工程；
H
k
(
·
)
表示第
k
层的语义编码，
BiLSTMp()
表示对候选段
P
进行的双向
LSTM
处理；
BiLSTM
Q
(
·
)
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种海战场态势可视化仿真系统，其特征在于，包括：海战场事件数据动态引接模块
、
海战场事件数据共享治理模块
、
海战场事件数据可视化分析模块；所述海战场事件数据动态引接模块用于获取多源异构多模态的海战场事件数据；所述多源异构多模态的海战场事件数据，包括结构化数据
、
半结构化数据和非结构化数据；所述海战场事件数据共享治理模块用于根据所述多源异构多模态的海战场事件数据，获取可视化分析数据；所述海战场事件数据可视化分析模块用于根据所述可视化分析数据，通过图
、
表的形式对海战场事件进行多维度展示，以对海战场事件进行可视化分析
。2.
根据权利要求1所述的一种海战场态势可视化仿真系统，其特征在于，获取可视化分析数据的方法如下：
S1
：根据海战场的事件要素和事件关系，建立海战场表示模型；所述事件要素包括时间
、
地理位置
、
人物
、
组织
、
行为；所述事件关系包括：并现关系
、
顺序关系
、
因果关系以及集成关系；
S2
：根据所述海战场表示模型，获取海战场事件仿真数据集，以实现对海战场事件的信息抽取；
S3
：根据所述海战场事件仿真数据集，获取海战场事件仿真数据用于预测分类的向量；
S4
：根据海战场事件仿真数据用于预测分类的向量，基于海战场事件推荐算法，获取可视化分析数据
。3.
根据权利要求2所述的一种海战场态势可视化仿真系统，其特征在于，所述
S2
中，对海战场事件的信息抽取方法如下：
S21、
建立海战场事件概念模型，以获取海战场事件数据集；所述海战场事件概念模型包括主体概念子模型
、
状态概念子模型和行动概念子模型；所述主体概念子模型用于描述基于海事战场实体的实体类别的要素；所述状态概念子模型用于描述基于海事战场实体的实体类别的要素的状态；所述行动概念子模型用于描述基于海事战场实体的实体类别的要素的动态行为；
S22、
根据所述海战场事件数据集，对海战场事件信息进行标注，获取样本数据集；
S23、
将所述样本数据集进行扩充，获取扩充后的样本数据集：
S24、
将所述扩充后的样本数据集中的数据进行同义词替换，获取增强的样本数据集；
S25、
根据所述增强的样本数据集，并基于
TENER
的实体识别模型，获取最优的增强的样本数据集中的实体数据的预测结果；其中，所述基于
TENER
的实体识别模块包括：词向量层
、Transformer
层和
CRF
层；所述词向量层用于对增强的样本数据集中的实体数据进行字符嵌入；所述
Transformer
层用于对嵌入的结果进行编码，获取增强的样本数据集中的实体数据；所述
CRF
层用于对增强的样本数据集中的实体数据的预测序列进行打分，获取最优的增强的样本数据集中的实体数据的预测序列；
S26、
在元素抽取阶段，根据所述增强的样本数据集，并基于孪生神经网络，获取增强的样本数据集中的非实体数据的预测结果；
S27、
根据最优的增强的样本数据集中的实体数据的预测结果，和增强的样本数据集中的非实体数据的预测结果，获取海战场事件仿真数据集，实现对海战场事件信息的抽取
。
4.
根据权利要求3所述的一种海战场态势可视化仿真系统，其特征在于，所述
S3
中，获取海战场事件仿真数据用于预测分类的向量的方法如下：
S31
：对海战场事件仿真数据集中的数据进行初始化编码；
S32
：根据所述初始化编码，通过多个级联的双向
LSTM
获取每一层级的语义编码；获取每一层级的语义编码如下：
H0(Q)
＝
[emb(q1)
，
emb(q2)
，
…
，
emb(q
m
)]H
k+1
(P)
＝
BiLSTM
P
(H
k
(P))H
k+1
(Q)
＝
BiLSTM
Q
(H
k
(Q))
式中：
P
为海战场事件仿真数据集的候选段；
P
＝
{p1；
p2；
…
p
n
}
，
Q
为输入的问题；
Q
＝
{q1；
q2；
…
qm}
；
H0(
·
)
表示的是一个序列的初始化编码；
emb(
·
)
是指词嵌入；
f(
·
)
是对候选段
P
中的词进行额外的表示的特征工程；
H
k
(
·
)
表示第
k
层的语义编码，
BiLSTMp()
表示对候选段
P
进行的双向
LSTM
处理；
BiLSTM
Q
(
·
)
表示对候选段
P
进行的双向
LSTM
处理；
k
表示双向
LSTM
的层级编号；
S33
：将每一层级的语义编码进行融合，获取融合语义编码：获取融合语义编码如下：式中，表示第
k
个层级的融合语义编码；
S34
：根据所述融合语义编码，利用注意力机制获取候选段的比较特征和问题的比较特征；
S35
：根据融合语义编码
、
问题的比较特征和候选段比较特征；获取
4K
通道的特征图；
K
为双向
LSTM
的层级总数；获取
4K

【专利技术属性】
技术研发人员：隋金坪，聂俊峰，陈行军，褚骁庚，林宗祥，
申请(专利权)人：中国人民解放军海军大连舰艇学院，
类型：发明
国别省市：