一种综合态势智能辅助生成方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及大数据分析、自然语言处理技术领域，具体而言，涉及一种综合态势智能辅助生成方法。背景技术：2.态势信息是指挥信息保障中的重要组成部分，通过态势可分析判断安全形势，使得态势信息的全面和客观显得尤为重要。构建生成覆盖多维度的态势信息，已经成为了信息保障中的基本职能任务，同时也是评价态势信息好坏水平的关键指标。多维度的态势信息作为一种综合性极强，复杂度极高的信息数据集合，不是对不同类型、不同内容的信息数据进行的简单集成，而是对多来源、多内容、多类型信息数据的准确的体系化组织。其实质上就是一种体系化的信息数据，包括各类目标状态、目标基础信息、综合环境、全球重大事件等多类型信息特征。3.当前态势图以目标位置、轨迹等实时状态为主，历史情况、动态规律以及趋势预测等内容相对缺乏，尚未很好满足信息保障日益发展的需求，因此如何对态势要素进行进一步拓展与呈现，使得其能更客观、更全面的信息数据服务于信息用户，是急需解决的重要难题。技术实现要素：4.本发明旨在提供一种综合态势智能辅助生成方法，以对态势要素进行进一步拓展与呈现，使得其能更客观、更全面的信息数据服务于信息用户。5.本发明提供的一种综合态势智能辅助生成方法，包括如下步骤：s100，综合环境构建模块将地理环境、电磁环境、自然资源和人文地理以特征向量形式呈现，并逐层叠加于数字地球上形成多层叠加的综合环境；s200，目标态势构建模块将区域实时目标数据生成目标态势特征向量；s300，数据关联与综合模块依托于多层叠加的综合环境并结合目标态势特征向量，通过实体抽取、主题关联、时空映射和语义关联的方式实现目标态势智能生成以及将区域目标态势关联动向信息、目标体系和重大事件，最终形成全维多域的综合态势信息。6.在一些实施例中，步骤s100中将地理环境以特征向量形式呈现的方法为：根据地理环境数据构建各国地理环境特征向量，该地理环境特征向量的要素包括重要港口、重要组织机构和战略要道；由此，该地理环境特征向量表示形式为：其中，为第i个国家在年代t的地理环境特征向量，t为年代，n为国家数量；为第i个国家在年代t的重要港口分布特征向量；为第i个国家在年代t的重要组织机构分布特征向量；分别为第i个国家在年代t的战略要道分布特征向量。7.在一些实施例中，步骤s100中将电磁环境以特征向量形式呈现的方法为：根据电磁环境数据构建电磁环境特征向量，该电磁环境特征向量的要素包括信道衰减系数、电磁干扰系数、抗干扰能力、频谱使用率；由此该电磁环境特征向量表示形式为：其中，为第p个区域在第tt时刻的电磁环境特征向量，为第p个区域在第tt时刻的信道衰减系数特征，为第p个区域在第tt时刻的电磁干扰系数特征，为第p个区域在第tt时刻的抗干扰能力特征，为第p个区域在第tt时刻的频谱使用率特征。8.在一些实施例中，步骤s100中将自然资源以特征向量形式呈现的方法为：根据自然资源数据构建自然资源特征向量，该自然资源特征向量的要素包括关键矿产和能源；由此，该自然资源特征向量表示形式为：其中，为第i个国家在年代t的自然资源特征向量；、为第i个国家在年代t的关键矿产分布特征向量和能源分布特征向量。9.在一些实施例中，步骤s100中将人文地理以特征向量形式呈现的方法为：根据人文地理数据构建人文地理特征向量，该人文地理特征向量的要素包括人口数量、宗教数量和平均受教育年数；由此，该人文地理特征向量表示形式为：其中，t为年代，为第i个国家在年代t的人文地理特征向量，n为国家数量，为第i个国家在年代t的人口数量要素，为第i个国家在年代t的宗教数量要素，为第i个国家在年代t的平均受教育年数要素，[…]t为向量的转置；将各国家的人文地理特征向量合并，形成世界人文地理特征矩阵，表示形式为：其中，t为年代，为世界人文地理特征矩阵，为第i个国家在年代t的人文地理特征向量；世界人文地理特征矩阵里的要素均以数据库表形式存储。[0010]在一些实施例中，步骤s200中目标态势构建模块将区域实时目标数据生成目标态势特征向量的方法为：目标态势特征向量的动态要素包括目标类型、经度、维度、高度和速度；由此该目标态势特征向量表现形式为：其中，为第ii个目标在第tt时刻的目标态势特征向量；表示第ii个目标在第tt时刻的目标类型；表示第ii个目标在第tt时刻的目标经度；表示第ii个目标在第tt时刻的目标维度；表示第ii个目标在第tt时刻的目标高度；表示第ii个目标在第tt时刻的目标速度。[0011]在一些实施例中，步骤s300包括如下子步骤：s301，目标态势生成：首先，依托数字地球并以多层叠加的综合环境为基础，将目标空间状态在数字地球上以目标特征向量形式呈现，该目标特征向量的要素包括时空属性、目标国别、目标名称、目标型号和目标隶属，则该目标特征向量表示形式为：其中，为第ii个目标在第tt时刻的目标特征向量；为第ii个目标在第tt时刻的目标态势特征向量，包含时空属性和目标型号要素；为目标隶属要素，为目标名称要素，为目标国别要素；其次，态势与目标知识库关联，关联根据目标特征向量中的目标名称与知识库中的目标名称进行相似度计算，基于相似度计算结果关联相关目标知识库的信息，计算公式如下：其中，ltarget是目标特征向量中目标名称的文本词向量，是第n个目标知识库的目标名称文本词向量，表示相似度计算，η为关联阈值，h0为目标关联不上的情况，h1表示目标关联成功的情况，ntarget表示目标知识库的目标数量；即，上式表示当相似度计算结果中的最小值大于关联阈值η时，则为目标关联不上的情况h0；当相似度计算结果中的最小值小于关联阈值η时，则为目标关联成功的情况h1；基于目标关联成功的结果，即上式结果为目标关联成功的情况h1时，自动抽取知识库中目标能力和威力范围相关的指标，并在态势中进行直观呈现，从而完成态势与目标知识库关联；最后，通过图表的方式将战场环境中的地理环境、电磁环境、自然资源和人文地理的统计数据进行可视化展示，形成实时的区域目标态势图；s302，数据信息关联：首先，关联目标体系模块将态势与后台知识库联通，采用自适应模糊关联算法，设定目标国别、目标名称、目标型号、目标隶属、时空属性为关联对象，自适应模糊地将目标态势中的目标与后台知识库中目标的综合保障体系、指挥控制体系、信息支援体系、火力打击体系进行智能关联，关联其体系组成分布、体系强弱点、目标在体系中的地位作用，并在区域目标态势图上呈现；其次，关联动向信息模块将态势与后台报文库联通，以目标名称、时空信息和目标国别作为关联对象，抽取动向信息中的关联要素项，按照自适应模糊关联算法将目标态势中的目标与报文库中的动向信息进行智能关联，包括历史动向和近期动向信息，并以统计图表形式在态势图上呈现，支撑趋势分析；最后，关联重大事件模块将态势与后台报文库联通，利用结巴分词对重大事件进行实体抽取，包括人物、组织机构、地点、时间、目标和国家信息，将抽取出的实体对象以重大事件特征向量存储，表示形式如下：ed=[epeople,ecountry,eorganization,eplace,etime,etarget,…]其中，ed为重大事件特征向量，epeople为人物要素，ecountry为国家要素，eorganization为组织机构要素，eplace为地点要素，etime为时间要素，etarget为目标要素；根据重大事件中抽取的时空信息，按照地点与经纬度对照表在gis球上的不同地区显示相应的重大事件，依据各重大事件的发生时间通过鱼骨图的形式展示事件发展脉络，利用训练好的textcnn分类器模型将各重大事件按不同主题进行分类组织，形成以主题专题文本数据管理模式，方便用户进行查阅浏览；同时采用语义相似度关联算法将目标态势与报文库中的当前全球重大事件进行智能关联，实现多维信息数据一体呈现，支撑趋势分析；s303，综合态势信息生成基于步骤s301和s302，关联组织相关数据信息，经过人工判证，生成综合态势信息，不仅具有传统态势中的环境和目标状态，还包括关联的与目标相关的其他重要数据信息，为用户分析预测提供支撑。[0012]在一些实施例中，步骤s302中自适应模糊关联算法为：以态势信息中目标的目标型号、目标名称、目标隶属、时空信息和目标国别要素为关联本体并以此为先后顺序，依次对每个目标进行基于欧式距离的相似度计算，若计算得到的相似度小于关联门限，则判定数据信息关联至该目标，直至某一关联本体关联到所有数据或已遍历所有关联本体，则自适应模糊关联过程结束。[0013]在一些实施例中，步骤s302中采用语义相似度关联算法将目标态势与报文库中的当前全球重大事件进行智能关联的方法为：①以目标名称和目标型号作为关联本体，将重大事件中各词条作为相似度计算对象，重大事件作为样本，利用样本相似度与共现相似度之间的互补性，计算词条之间的相似度，具体公式如下：其中，g为重大事件样本数量，wk为关联本体的第k个词条，wj为重大事件样本中需要计算相似度的第j个词条，tk和tj是包含wk和wj的重大事件样本集合，xk和yj分别是包含wk和wj的重大事件文本向量特征，λ为0~1的补偿常数，n(wk)和n(wj)分别是包含wk和wj的重大事件个数，s(wk,wj)为wk和wj的综合相似度，se(wk,wj)为包含wk和wj之间的相似度，sc(wk,wj)为wk和wj之间的共现相似度距离，n为文本向量特征xk和yj的维度，σ2为0~1取值的常数项；②基于综合相似度计算wk和wj的条件转移概率：其中，pk,j为条件转移概率，s(wk,wj)为词条wk和wj的综合相似度，k为重大事件中词条数量；③基于随机游走方法，确定需挖掘重大事件中与关联本体关联度高的词条数量m，迭代计算关联本体和重大事件中各词条的相关度，直至相邻两次迭代结果小于ε，迭代过程结束，得出各词条的相关度并进行排序，取前m个词条作为关联本体的扩展词条，具体迭代公式如下：其中，rm(j)为重大事件中第j个词条的第m次迭代值，α为随机游走步长，ni为关联本体数量，rm-1(j)为重大事件中第j个词条的第m-1次迭代值，vj表示重大事件中第j个词条相关度初始概率；④基于关联本体与其扩展词条作为关联对象，搜寻关联对象存在的重大事件，将其与目标进行关联，实现关联该目标的重大事件或与之相关联的重大事件。[0014]在一些实施例中，所述重大事件中第j个词条相关度初始概率设置为：其中，ni为关联本体数量，m为需挖掘重大事件中与关联本体关联度高的词条数量，β为经验常数值，当ni=0时，β=0，否则。[0015]综上所述，由于采用了上述技术方案，本发明的有益效果是：1、本发明引入了除传统态势数据之外的其他相关数据信息，并利用自然语言处理方法抽取出相关数据信息的实体要素特征，支撑态势信息与目标体系、动向信息、以及当前重大事件的智能关联，生成内容全面、多维立体的综合态势信息，丰富传统态势信息要素与内涵。[0016]2、本发明利用相似度计算进行了态势与其他数据信息之间的关联，通过实体抽取时空要素信息完成了重大事件的时空映射，按主题语义分类实现了重大事件的组织管理，形成了态势综合信息，并利用图表等形式对态势中的“势”进行预测，相比较传统的态势信息只具备目标位置、状态等单一信息，新的态势信息关联了目标体系、动向信息、重大事件等，扩展了信息内容，并且综合环境在传统地理环境、自然地理基础上叠加了人文地理，具备全面、立体、多维、等特点，为用户后续的态势分析和预测奠定了扎实基础。附图说明[0017]为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。[0018]图1为本发明实施例中综合态势智能辅助生成方法的流程图。具体实施方式[0019]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。[0020]因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例[0021]如图1所示，本实施例提出一种综合态势智能辅助生成方法，包括如下步骤：s100，综合环境构建模块将地理环境、电磁环境、自然资源和人文地理以特征向量形式呈现，并逐层叠加于数字地球上形成多层叠加的综合环境：(1)地理环境根据地理环境数据构建各国地理环境特征向量，该地理环境特征向量的要素包括重要港口、重要组织机构和战略要道等重要设施的分布特征；由此，该地理环境特征向量表示形式为：其中，为第i个国家在年代t的地理环境特征向量，t为年代，n为国家数量；为第i个国家在年代t的重要港口分布特征向量；为第i个国家在年代t的重要组织机构分布特征向量；分别为第i个国家在年代t的战略要道分布特征向量，其主要包括这些重要设施各自的地理位置分布、地位作用等级和设施组成分布等内容。[0022](2)电磁环境根据电磁环境数据构建电磁环境特征向量，该电磁环境特征向量的要素包括信道衰减系数、电磁干扰系数、抗干扰能力、频谱使用率；由此该电磁环境特征向量表示形式为：其中，为第p个区域在第tt时刻的电磁环境特征向量，为第p个区域在第tt时刻的信道衰减系数特征，为第p个区域在第tt时刻的电磁干扰系数特征，为第p个区域在第tt时刻的抗干扰能力特征，为第p个区域在第tt时刻的频谱使用率特征。[0023](3)自然资源根据自然资源数据构建自然资源特征向量，该自然资源特征向量的要素包括关键矿产和能源；由此，该自然资源特征向量表示形式为：其中，为第i个国家在年代t的自然资源特征向量；、为第i个国家在年代t的关键矿产分布特征向量和能源分布特征向量，其主要包括铁矿石、稀土、石油和煤炭等资源的储量、地理位置等内容。[0024](4)人文地理根据人文地理数据构建人文地理特征向量，该人文地理特征向量的要素包括人口数量、宗教数量和平均受教育年数；由此，该人文地理特征向量表示形式为：其中，t为年代，为第i个国家在年代t的人文地理特征向量，n为国家数量，为第i个国家在年代t的人口数量要素，为第i个国家在年代t的宗教数量要素，为第i个国家在年代t的平均受教育年数要素，[…]t为向量的转置；将各国家的人文地理特征向量合并，形成世界人文地理特征矩阵，表示形式为：其中，t为年代，为世界人文地理特征矩阵，为第i个国家在年代t的人文地理特征向量；世界人文地理特征矩阵里的要素均以数据库表形式存储。[0025]s200，目标态势构建模块将区域实时目标数据生成目标态势特征向量：目标态势特征向量的动态要素包括目标类型、经度、维度、高度和速度；由此该目标态势特征向量表现形式为：其中，为第ii个目标在第tt时刻的目标态势特征向量；表示第ii个目标在第tt时刻的目标类型；表示第ii个目标在第tt时刻的目标经度；表示第ii个目标在第tt时刻的目标维度；表示第ii个目标在第tt时刻的目标高度；表示第ii个目标在第tt时刻的目标速度。[0026]s300，数据关联与综合模块依托于多层叠加的综合环境并结合目标态势特征向量，通过实体抽取、主题关联、时空映射和语义关联的方式实现目标态势智能生成以及将区域目标态势关联动向信息、目标体系和重大事件，最终形成全维多域的综合态势信息：s301，目标态势生成：首先，依托数字地球并以多层叠加的综合环境为基础，将目标空间状态在数字地球上以目标特征向量形式呈现，该目标特征向量的要素包括时空属性、目标国别、目标名称、目标型号和目标隶属，则该目标特征向量表示形式为：其中，为第ii个目标在第tt时刻的目标特征向量；为第ii个目标在第tt时刻的目标态势特征向量，包含时空属性和目标型号要素；为目标隶属要素，为目标名称要素，为目标国别要素；其次，态势与目标知识库关联，关联根据目标特征向量中的目标名称与知识库中的目标名称进行相似度计算，基于相似度计算结果关联相关目标知识库的信息，计算公式如下：其中，ltarget是目标特征向量中目标名称的文本词向量，是第n个目标知识库的目标名称文本词向量，表示相似度计算，η为关联阈值，h0为目标关联不上的情况，h1表示目标关联成功的情况，ntarget表示目标知识库的目标数量；即，上式表示当相似度计算结果中的最小值大于关联阈值η时，则为目标关联不上的情况h0；当相似度计算结果中的最小值小于关联阈值η时，则为目标关联成功的情况h1；基于目标关联成功的结果，即上式结果为目标关联成功的情况h1时，自动抽取知识库中目标能力和威力范围相关的指标，并在态势中进行直观呈现，从而完成态势与目标知识库关联；最后，通过图表的方式将战场环境中的地理环境、电磁环境、自然资源和人文地理的统计数据进行可视化展示，形成实时的区域目标态势图；s302，数据信息关联：首先，关联目标体系模块将态势与后台知识库联通，采用自适应模糊关联算法，设定目标国别、目标名称、目标型号、目标隶属、时空属性为关联对象，自适应模糊地将目标态势中的目标与后台知识库中目标的综合保障体系（组成分布、强弱点、地位作用）、指挥控制体系、信息支援体系、火力打击体系进行智能关联，关联其体系组成分布、体系强弱点、目标在体系中的地位作用，并在区域目标态势图上呈现；自适应模糊关联算法为：以态势信息中目标的目标型号、目标名称、目标隶属、时空信息和目标国别要素为关联本体并以此为先后顺序，依次对每个目标进行基于欧式距离的相似度计算，若计算得到的相似度小于关联门限，则判定数据信息关联至该目标，直至某一关联本体关联到所有数据数据或已遍历所有关联本体，自适应模糊关联过程结束。[0027]本实施例中，自适应模糊关联算法的实现如下：自适应模糊关联算法的关联对象包括目标国别、目标名称、目标型号、目标隶属、时空属性；自适应模糊关联算法的输入包括、、、、、、、、、、、、、和；自适应模糊关联算法的流程为：自适应模糊关联算法的流程为：自适应模糊关联算法的流程为：自适应模糊关联算法的流程为：自适应模糊关联算法的流程为：自适应模糊关联算法的输出为；其中，为第ii个目标在第tt时刻内关联目标体系的目标特征向量；r为目标数量；、、、、分别代表第ii个目标的目标型号、目标名称、目标隶属、时空信息、目标国别的文本词向量；、、、和分别代表第t个目标体系的第i个目标型号、目标名称、目标隶属、时空信息、目标国别的文本词向量；et_s为所有关联上的目标体系特征向量；为第ii个目标在第tt时刻内的目标特征向量；nt_tixi为目标体系数量；、、、和分别为目标型号、目标名称、目标隶属、时空信息、目标国别相似度关联阈值。[0028]其次，关联动向信息模块将态势与后台报文库联通，以目标名称、时空信息和目标国别作为关联对象，抽取动向信息中的关联要素项，按照自适应模糊关联算法将目标态势中的目标与报文库中的动向信息进行智能关联，包括历史动向和近期动向信息，并以统计图表形式在态势图上呈现，支撑趋势分析；最后，关联重大事件模块将态势与后台报文库联通，利用结巴分词对重大事件进行实体抽取，包括人物、组织机构、地点、时间、目标和国家信息，将抽取出的实体对象以重大事件特征向量存储，表示形式如下：ed=[epeople,ecountry,eorganization,eplace,etime,etarget,…]其中，ed为重大事件特征向量，epeople为人物要素，ecountry为国家要素，eorganization为组织机构要素，eplace为地点要素，etime为时间要素，etarget为目标要素；根据重大事件中抽取的时空信息，按照地点与经纬度对照表在gis球上的不同地区显示相应的重大事件，依据各重大事件的发生时间通过鱼骨图的形式展示事件发展脉络，利用训练好的textcnn分类器模型将各重大事件按不同主题进行分类组织，形成以主题专题文本数据管理模式，方便用户进行查阅浏览；同时采用语义相似度关联算法将目标态势与报文库中的当前全球重大事件进行智能关联，实现多维信息数据一体呈现，支撑趋势分析；具体地：①以目标名称和目标型号作为关联本体，将重大事件中各词条作为相似度计算对象，重大事件作为样本，利用样本相似度与共现相似度之间的互补性，计算词条之间的相似度，具体公式如下：其中，g为重大事件样本数量，wk为关联本体的第k个词条，wj为重大事件样本中需要计算相似度的第j个词条，tk和tj是包含wk和wj的重大事件样本集合，xk和yj分别是包含wk和wj的重大事件文本向量特征，λ为0~1的补偿常数，n(wk)和n(wj)分别是包含wk和wj的重大事件个数，s(wk,wj)为wk和wj的综合相似度，se(wk,wj)为包含wk和wj之间的相似度，sc(wk,wj)为wk和wj之间的共现相似度距离，n为文本向量特征xk和yj的维度，σ2为0~1取值的常数项。[0029]②基于综合相似度计算wk和wj的条件转移概率：其中，pk,j为条件转移概率，s(wk,wj)为词条wk和wj的综合相似度，k为重大事件中词条数量；③基于随机游走方法，确定需挖掘重大事件中与关联本体关联度高的词条数量m，迭代计算关联本体和重大事件中各词条的相关度，直至相邻两次迭代结果小于ε，迭代过程结束，得出各词条的相关度并进行排序，取前m个词条作为关联本体的扩展词条，迭代过程结束，得出各词条的相关度并进行排序，具体迭代公式如下：其中，rm(j)为重大事件中第j个词条的第m次迭代值，α为随机游走步长，ni为关联本体数量，rm-1(j)为重大事件中第j个词条的第m-1次迭代值，vj表示重大事件中第j个词条相关度初始概率；通常设置为：其中，ni为关联本体数量，m为需挖掘重大事件中与关联本体关联度高的词条数量，β为经验常数值，当ni=0时，β=0，否则。[0030]④基于关联本体与其扩展词条作为关联对象，搜寻关联对象存在的重大事件，将其与目标进行关联，实现关联该目标的重大事件或与之相关联的重大事件。[0031]s303，综合态势信息生成基于步骤s301和s302，关联组织相关数据信息，经过人工判证，生成综合态势信息，不仅具有传统态势中的环境和目标状态，还包括关联的与目标相关的其他重要数据信息，为用户分析预测提供支撑。[0032]以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!