【技术实现步骤摘要】
一种联合打击目标自适应评分及关联推荐方法和系统
[0001]本专利技术涉及联合作战指挥领域,具体涉及联合火力打击中目标价值评估和精准推荐。
技术介绍
[0002]随着智能化技术的不断深化拓展,联合作战指挥的面貌正在发生深刻变化,作战指挥方式逐步由以打通链路为途径的信息化向以辅助决策为目标的智能化转变。体系融合、关联推荐、破链断网为主的目标体系评估方法成为未来联合打击目标优选和推荐的主流。对于指挥员来说,最短时间内找到倾向性的目标,并将其与其他打击目标按照关联性排序获得推荐结果,将对指挥员决策的准确性和时效性产生重要影响,基于此,本专利技术针对打击目标超网络体系构建和目标关联推荐算法进行重点研究,尝试以知识图谱改变现有的表格式目标推荐方法,在图谱超网络内研究目标的内在属性及相互关联机理。
[0003]现有技术1:专利号CN108416441A,实现了一种基于遗传算法的舰船对岸打击火力分配方法,以一艘舰船上的一种武器作为火力单元,将火力单元对岸上目标的火力分配数目作为编码位,采用随机分布生成法对每个火力单元进行编码,得到初始种群;利用适应度函数计算初始种群的种群适应度,根据种群适应度结合轮盘赌对初始种群进行选择,得到选择后种群,对选择后种群进行染色体交叉和变异,得到新的种群;利用新的种群更新初始种群后重复上一步,重复多次后,得到舰船对岸打击火力分配方案。但是未能考虑目标之间的体系价值关联因素,无法实现目标体系价值分析和基于体系的目标火力分配。
[0004]现有技术2:专利号CN110119580A,实现了 ...
【技术保护点】
【技术特征摘要】
1.一种联合打击目标自适应评分及关联推荐方法,其特征在于,步骤1,目标知识图谱超网络的构建:在获取打击目标情报数据基础上,利用目标之间的关系进行子网关系标注,构建目标的知识图谱超网络结构模型;步骤2,知识图谱初始推理向量的生成:将实体关系映射为空间向量,即为每个实体及其关系分配随机的向量数组;步骤3,知识图谱初始推理向量的优化:利用元启发算法的群体演化思想实现实体和关系向量的迭代优化;通过基于随机梯度下降的有限次迭代,使包含评分函数的损失函数达成最小值收敛;步骤4,目标知识图谱的补全:利用最优智能体的优化向量统计所有实体的关系综合评分,通过与超网络已有关系的平均评分对比,挖掘超网络中的隐藏关系,进而补全超网络;步骤5,火力打击目标的关联推荐:计算所有的实体在知识图谱超网络中的价值评分,并根据超网络关系确定实体之间的关联推荐目标名称。2.根据权利要求1所述的方法,其特征在于,步骤1中,具体的实现方式为:在获取打击目标情报数据基础上,利用目标之间的实体关系、隶属关系和功能关系进行子网关系标注,将打击目标具体划分为电子对抗、防空反击、后装保障、交通枢纽、子目标隶属、能源设施、通信设施、心理战、指挥控制9类关系,并依次构建9个子网,使用随机裁剪将无向网络转换为有向网络,各子网内的目标实体互相交织,缠绕叠加出目标的超网络体系结构。3.根据权利要求1所述的方法,其特征在于,步骤2中,可划分为如下子步骤:步骤2
‑
1,生成多维随机向量;设向量维数为k,则随机数应选取之间的实数,对所有的实体和关系均分配随机向量,并归一化处理:关系实体步骤2
‑
2,生成正负样本组合;正样本包含了超网络中所有带有连线的三元组,负样本是在正样本集合的基础上,通过随机调整头或尾实体而构造的当前网络无连线的三元组,正样本和负样本分别设为(h,r,t)和(h',r,t');其中,h、h
′
为正负样本的头实体向量,r是实体关系,t、t
′
为正负样本的尾实体向量。4.根据权利要求1所述的方法,其特征在于,步骤3中,可划分为如下子步骤:步骤3
‑
1,计算超网络损失函数;算法的目标为:h+r=t;h'+r≠t',可通过构造评分函数f(h,r,t)进行精确度量,计算公式为:f(h,r,t)=||h+r
‑
t||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)损失函数L(h,r,t,r',t')的计算公式为:式中,S代表超网络的现有实体关系集合;S'代表超网络的未关联实体关系集合,满足条件:步骤3
‑
2,构建智能体结构;每个智能体包含实体向量集、边向量集和负样本边向量集;
步骤3
‑
3,构建初始智能体种群;采用元启发算法的随机变异方式,以原始智能体为样本,随机选中其中的10个实体和边进行向量微调;r表示向量关系,δ表示微调参数,ω表示向量中的原始参数,则微调后的参数ω'计算公式为:步骤3
‑
4,计算种群内所有智能体综合评分;根据更新的损失函数评分公式,将每个...
【专利技术属性】
技术研发人员:刘昊,高爽,杨舒淇,
申请(专利权)人:中国电子科技南湖研究院,
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。