EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 6: 1148 - 1163

DOI: https://doi.org/10.12082/dqxxkx.2023.220967

专刊：地理时空知识图谱理论方法与应用

基于时序超图模型的战场环境多层次知识建模方法

  • 蒋秉川 , 1 ,
  • 黄梓航 1, 2 ,
  • 任琰 1 ,
  • 孙勇 1 ,
  • 范爱民 3
展开
  • 1.战略支援部队信息工程大学地理空间信息学院，郑州 450001
  • 2.战略支援部队信息工程大学研究生院，郑州 450001
  • 3.解放军66444部队，北京 100042

蒋秉川（1984— ），男，河南镇平人，副教授，主要从事地理空间智能及地理知识图谱研究。E-mail:

收稿日期: 2022-12-11

  修回日期: 2023-02-28

  网络出版日期: 2023-06-02

基金资助

国家自然科学基金项目(42171456)

国防科技基础加强计划(2021-JCJQ-JJ-0507)

科技创新2030-“新一代人工智能”重大项目(2022ZD0116404)

收起

Multi-level Knowledge Modeling Method of Battlefield Environment based on Temporal Knowledge Hypergraph Model

  • JIANG Bingchuan , 1 ,
  • HUANG Zihang 1, 2 ,
  • REN Yan 1 ,
  • SUN Yong 1 ,
  • FAN Aimin 3
Expand
  • 1. Institute of Geospatial Information，Strategic Support Force Information Engineering University, Zhengzhou 450001, China
  • 2. Graduate School, Strategic Support Force Information Engineering University, Zhengzhou 450001, China
  • 3. PLA 66444 Troops, Beijing 100042, China
*JIANG Bingchuan, E-mail:

Received date: 2022-12-11

  Revised date: 2023-02-28

  Online published: 2023-06-02

Supported by

National Natural Science Foundation of China(42171456)

National Defense Science and Technology Foundation Strengthening Plan(2021-JCJQ-JJ-0507)

National Key R&D Program of China(2022ZD0116404)

Fold

摘要

新型作战样式对战场环境服务保障提出了新要求，战场环境智能化服务急需基于全域多维战场环境数据实现知识的提升。针对战场环境智能认知的知识建模问题，将知识图谱与战场环境相结合，提出了战场环境知识分类方法，认为战场环境知识图谱是大数据人工智能条件下战场环境知识表示的一种新形式；针对三元组知识表示碎片化的问题，构建了战场环境时序超图表示模型，实现了实体知识、事件知识、影响过程知识和服务决策知识的多层次统一图建模，将各类知识表示为具备时空特点、场景特点的统一知识超图网络；最后，利用地图、事件、影响过程和作战影响效能等数据进行实验验证，超图网络从语义层面实现了各类战场环境知识的关联，可进一步为实现基于超图的智能推理和服务决策提供支撑。

关键词： 知识表示; 战场环境知识图谱; 知识超图; 知识超边; 多层次时序知识超图模型

本文引用格式

蒋秉川 , 黄梓航 , 任琰 , 孙勇 , 范爱民 . 基于时序超图模型的战场环境多层次知识建模方法[J]. 地球信息科学学报, 2023 , 25(6) : 1148 -1163 . DOI: 10.12082/dqxxkx.2023.220967

Abstract

The new combat style places new requirements for battlefield environment service support. The intelligent service of battlefield environment urgently needs to improve knowledge based on the global multidimensional battlefield environment data. In view of the knowledge modeling problem of intelligent cognition of battlefield environment, this paper puts forward the classification method of battlefield environment knowledge and considers the battlefield environment knowledge graph as a new form of battlefield environment knowledge representation under the context of big data and artificial intelligence. To solve the fragmentation problem of triplet knowledge representation, a temporal hypergraph representation model of battlefield environment is constructed, a multi-level unified graph model combining entity knowledge, event knowledge, influence process knowledge, and service decision-making knowledge is realized, and all kinds of knowledge are represented as a unified knowledge hypergraph network with spatiotemporal and scene characteristics. Finally, the experimental verification is carried out based on the data of map, event, impact process, and combat impact effectiveness. The hypergraph network realizes the correlation of various battlefield environment knowledge from the semantic level, which can provide support for the further realization of intelligent reasoning and service decision-making based on hypergraph.

Key words： knowledge representation; battlefield environment knowledge graph; knowledge hypergraph; knowledge hyperedge; multi-level temporal knowledge hypergraph model

1 引言

战场环境是固定作战区域内，除人员、武器装备以外的客观环境，在空间上涵盖陆地、海洋、天空和太空“全域”，要素上包括地理、气象、电磁、网络和核生化等“多维”环境。基于多源异构战场环境数据的仿真建模与表达，是指挥员认识客观环境、制订作战计划、拨开战场迷雾的重要手段[1]。随着大数据、人工智能等信息技术的飞速发展，无人作战、智能作战、网络作战等新型作战样式对战场环境服务保障提出了新要求，保障对象从指挥员扩展到了智能武器平台（机器人）[2]；空天地海一体的战场环境传感器种类逐渐丰富，数据记录手段越来越全面，数据种类也越来越多，对海量战场环境数据的处理加工，实现从数据到知识的提升，使机器更智能，是当前战场环境智能化服务保障的重要途径。
知识图谱是人工智能领域的一种知识表示方法，目标是实现机器的认知智能，核心是将多源异构数据通过抽取、建模与表示形成知识库，在数据关联搜索、智能问答、决策分析等方向大放异彩。在军事领域，主要利用知识图谱对军事装备知识[3]、军事知识的组织[4]、目标知识图谱构建等进行了深入研究，用于作战方案的智能匹配[5]，海空目标智能综合识别[6]，军事知识自然语言问答等领域。对知识图谱的研究与应用，是军事智能化发展的必然趋势，但对战场环境知识图谱的构建和应用还未成体系地进行研究。地理知识图谱的研究[7⇓-9]旨在解决“地理信息爆炸，知识匮乏”的问题，其中地理知识本体模型构建[10]、事件知识表示、地理知识抽取[11]、存储索引[12⇓-14]与智能服务等方面的研究，对战场环境知识图谱研究具有一定的借鉴意义。然而，大多数的知识表示模型多是采用三元组表示，三元组的表示方法会使得战场环境知识碎片化比较严重，难以体现战场环境知识的时序特点和场景特点[16]。
综上，面向战场环境认知智能的需求，首先提出了战场环境知识分类，认为战场环境知识图谱是大数据、人工智能条件下战场环境知识表示的一种新形式；其次，针对战场环境三元组知识表示碎片化的问题，利用超图理论构建了战场环境一般性知识超图表示模型；然后，根据战场环境各类知识的时空特点、层次特点，将一般性知识超图表示为战场环境多层次时序超图模型，实现了实体知识、事件知识、影响过程知识和服务决策知识的统一表示；其次，通过构建一系列超边建模方法和规则，实现了多层次知识超边建模；最后，利用地图、事件、影响过程和作战影响效能等数据，验证了知识超图构建方法的可行性，并进行了实验分析。

2 战场环境知识逻辑表示

2.1 战场环境知识分类

战场环境知识按应用层次可分为环境基础知识、环境影响过程知识和环境服务决策知识，如 图1所示。战场环境知识存储模态主要包括：文字、图像、音频和视频等。不同的存储模态记录了战场环境自身特有的领域属性和特点，例如，地图、影像本质是图像，记录了地理空间位置、属性等信息。
图1 战场环境知识分类

Fig.1 Classification of battlefield environment knowledge

（1）环境基础知识
环境基础知识主要是对环境基本客观信息的刻画与表述，通过各类传感器对战场客观环境进行信息记录的结果，主要包括实体知识和事件知识（图1）。例如：地球表面地形的自然起伏状态，地理信息实体的位置、属性以及空间关系，气象的温度、湿度、气压、降雨、能见度等，地质的土质、土壤类型、岩层属性等，海洋温度、盐度、密度、海洋气压、海底地形起伏等，电磁的磁场、信号等，人口、宗教、文化等人文知识。事件知识包括地理事件、人文事件和信息事件。例如，地理事件包括山体滑坡、泥石流、洪涝灾害、降雨、水土侵蚀、水土流失等事件，人文事件包括政治事件、经济事件、军事事件、文化事件，信息事件包括信号干扰、网络舆情、网络侦察、网络攻击、网络防御等事件。
（2）环境影响过程知识
环境影响过程知识主要是指不同环境领域的专家，如地图学家、地质学家、大地测量学家、海洋学家等根据自身的专业知识，在环境探测基础信息的基础之上，通过自身专业知识对信息的知识再加工，最终形成的环境影响知识。包括显性知识和隐性知识。显性知识主要是领域专家总结归纳后的环境影响指标体系和环境过程模型，例如环境效能影响模型指标，地缘环境影响力指标等。隐性知识主要是领域专家在总结归纳过程中所利用的专业知识，以及难以形式化表达的专家知识，例如地图符号设计知识、地图制图知识等。
（3）环境服务决策知识
环境服务决策知识，主要指最终为作战行动决策提供环境保障服务的知识，多是指各类环境综合影响评估模型、作战行动环境影响效能评估方法等，与作战行动和武器装备密切相关。例如，恶劣气象环境对作战行动的影响评估，陆地机动、空中运输、目标毁伤等环境辅助决策知识。

2.2 战场环境知识元模型设计

知识表示是研究如何用最恰当的形式来组织所需要的各种知识。如图2所示，按照战场环境知识分类，对各类知识进行抽象建模，战场环境知识表示模型（Battlefiled Environment Knowledge Model，BEKM）逻辑结构可表示为：
B E K M ∷ = { B E _ C o n c e p t s , B E _ O b j e c t , B E _ E v e n t , B E _ A f f e c t , B E _ D e c i s i o n , R e l a t i o n s }
图2 战场环境各类知识元建模及关系

Fig.2 Modeling and relationship of various knowledge elements in Battlefield Environment

式中： B E _ C o n c e p t s表示战场环境概念分类集合； B E _ O b j e c t表示战场环境实体知识集合； B E _ E v e n t表示战场环境事件知识集合； B E _ A f f e c t表示战场环境影响知识集合； B E _ D e c i s i o n表示战场环境决策分析知识集合； R e l a t i o n s表示战场环境中关系集合，主要指各类知识之间的语义关系、空间关系和相互作用关系。 B E _ C o n c e p t s主要是借助战场地理、气象、电磁、核生化、网络等环境要素的分类体系，在相关标准规范的基础上，通过归纳总结形成的战场环境顶层概念分类。
（1）战场环境实体知识表示
战场环境实体是指对一定作战区域内，对战场环境各要素独立或联合的对象化逻辑描述。不仅包括现实世界存在的环境对象（如地物、植被、云、雨等），也包括难以可视化表示的、虚拟存在的环境对象。战场环境实体具有空间属性、时间属性、区域属性、过程属性等。关系类型包括实体间的方位关系、距离关系、时间关系等时空关系，以及隶属于、实例、包含等语义关系。逻辑结构可表示为：
B E _ O b j e c t ∷ = < T Y P E , T I M E , P O S , R G N , S T A , R E L >
式中：TYPE、TIME、POS、RGN、STA、REL分别表示实体类型、时间、位置、区域、状态和关系。
（2）战场环境事件知识表示
战场环境事件是一定的作战区域内，战场环境主题对象（现象）的行为或空间结构、属性或组合发生了变化，且这种变化对作战单元或环境自身造成了重要影响的事件。比如，在某时空范围内战场环境实体发生的变化，如降雨、泥石流、水土侵蚀等。
战场环境事件重点突出了对象之间的相互关系，既包含对象内部的演变关系，也包含了环境对象之间的关联关系。事件包括事件主体（who）、时间（when）、地点（where）、动作（action）、状态（state）、情况（what）、类型（type） 7个要素。形式上，事件可表示为：
B E _ E v e n t ∷ = < T Y P E , T I M E , P O S , O B J , R E L , A C T , S T A >
式中：TYPE、TIME、POS、OBJ、REL、ACT、STA，分别表示事件的事件类型、时间要素、地点要素、事件主体、事件关系、动作要素（如动作触发词）、状态集合与情况（事件描述）。
（3）战场环境影响过程知识表示
战场环境影响过程知识主要用于作战环境影响评估、作战模拟仿真等领域，主要依赖相关资料和专家经验，形成海洋环境模型、大气环境模型、地形影响模型以及综合环境影响模型等知识。环境影响知识主要是以影响因子形式存在，在仿真建模等过程中以数学模型表示。逻辑结构可表示为：
B E _ A f f e c t ∷ = < E N V , P E R , W E P , O B J , P R O , T I M E , R E L >
式中：ENV、PER、WEP、OBJ、PRO、TIM、REL分别表示环境影响因素、人员、武器装备、作用对象、主题属性、时间和关系。
（4）战场环境服务决策知识表示
战场环境服务决策知识强调的是考虑地理、气象、电磁、网络等综合环境要素对作战行动各阶段的综合效能影响结果。需要考虑军事行动要素、武器装备及战场环境的综合建模，是个复杂的系统知识建模问题。战场环境服务决策知识来自于已有效能评估方法的知识建模，例如对层次分析法、关联分析法和支持向量机评估法等评估方法的图建模，实现对专家知识的表示。可对模糊影响图分析方法进行知识超图的建模，其逻辑结构可表示为：
B E _ D e c i s i o n ∷ = < T Y P E , T E R , M E T , S E A , O B J , A C T , R E G , R E L >
式中：TYPE、TER、MET、SEA、OBJ、ACT、REG、REL分别表示类型、地形、气象、海洋影响因子、影响实体、作战行动、区域和关系。

3 战场环境时序知识超图表示模型

3.1 战场环境知识表示方法演变

知识组织是用各种方法和工具使知识有序化、组织化、系统化，使人们能够有效地得到和利用。知识表示是研究如何用最恰当的形式来组织所需要的各种知识。对战场环境知识的建模与表示，面向指挥员认知战场的不同需求，从人类认知战场开始就已经出现了各类方法，从“文字➝地图➝专题图➝虚拟战场环境➝战场环境知识图谱”，不同的历史时期，借助不同的知识表示技术、计算机技术等方法，实现对战场环境基础知识、环境影响知识和决策知识的不同程度的刻画，如表1所示，面向人和面向机器的知识表示其难易程度不同，也体现了战场环境从“信息➝数据➝知识➝智慧”的决策金子塔的进阶。
表1 战场环境知识表示方法演变

Tab. 1 Evolution of battlefield environment knowledge representation methods

知识类型 知识表示内容 知识表示模型 人认知 机器认知
文字表示 基础知识、影响知识和决策知识 基本要素属性、定性分析结果 文字、图表 难 难
地图表示 基础知识 基本要素属性、位置及空间关系、物理、空间属性 地图投影、符号变量、矢量栅格存储模型等 较难 难
专题图表示 基础知识、环境影响知识 环境基本要素知识、环境影响人员、装备性能知识、能力评估 专题符号表示、作战规则符号表示、作战行动规则表示等 一般 难
虚拟战场环境表示 基础知识、环境影响知识、决策支持知识 知识表示方法 作战规则符号表示、作战行动规则表示、CGF、推演规则等 容易 一般
战场环境知识图谱表示 基础知识、环境影响知识、决策支持知识 环境基本要素知识、环境影响知识、作战行动辅助决策知识 知识图谱、规则知识建模等 一般 容易

3.2 战场环境知识超图

当前知识表示多采用三元组表示，尽管能够较好地表示概念层的逻辑推理，但随着实体层数据的大规模扩展，战场环境知识的时序特点、场景特点越发明显，三元组的表示方法使得战场环境知识碎片化比较严重。例如三元组在表示一条事件知识时，需要将事件知识存储为<事件，发生时间，时间值>，<事件，发生地点，地点位置>，<事件，类型，类型值>等多条三元组属性图，而采用超图表示则通过一条超边<事件，类型，发生时间，发生地点，事件主体，事件描述>即可实现。简化了存储在知识图谱中数据的复杂性，特别是对于连接2个及以上实体的超关系数据，无法以二元关系表示[15]，且其中高阶结构信息的丢失，会导致知识超图表示及推理能力受限[16]。

3.2.1 超图理论

超图理论由Berge在1973年第一次提出[17]，现已广泛应用于各种复杂网络的研究。设 V = x 1 , x 2 , ⋯ , x n是一个有限合集， ε = e 1 , e 2 , ⋯ , e m是V的一个子集合集，即 ε ⊆ 2 V。称 H = ( V , ε )是V上的一个超图，如果 ∀ i ∈ 1,2 , ⋯ , m , e i ≠ ∅和 ∪ i - 1 m e i = V，也简单地称 ε是V上的一个超图。V的元素称为顶点， ε的元素称为边。超图中包含顶点和超边。如图3所示，e1、e2、e3为3条超边，每条超边包含的顶点 >2，e1由v1、v2、v3组成，e2由v6、v7、v8组成，e3由v3、v4、v5、v6组成。当每条超边所包含的顶点仅为2个时，超图则变为普通图。若超图中的一个顶点 v ∈ e，则它的度数则是其所有超边的权重值之和，表示为 d v = ∑ e ∈ E | v ∈ e ω ( e )。
图3 超图示例

Fig. 3 Example of hypergraph

3.2.2 战场环境知识超图表示模型

知识超图是利用超图理论对大规模的知识图谱进行超图建模，是一种超图结构的知识图谱。它使用超边（即多元关系）描述现实世界中多个实体之间的关系[18]。本文借鉴知识超图理论，基于战场环境知识元模型对战场环境复杂多元关系进行建模，构建战场环境时序超图知识表示模型，如 图4所示。首先，构建CBE_Object、CBE_Event、CBE_Affect、CBE_Decision等基础类并建立类之间的关系；然后，抽取基本核心元素TIME、POS、RGN、STA、ACT并用OWL语言继承表示；实例层主要继承自概念层，从实体、事件、影响过程、服务决策4个层次建立实例层间关系和实例与概念层间关系，整个超图网络通过时间元素进行驱动。
图4 战场环境时序超图知识表示模型

Fig.4 Time series hypergraph knowledge representation model of battlefield environment

在知识超图中，一个事实可以被表示为一个多元组 ( r , v 1 , ⋯ , v n )，其中 r ∈ R， v i ∈ V， ( v 1 , ⋯ , v n ) ∈ E， R为关系集合， V为节点集合， E为超边集合， ( v 1 , ⋯ , v n )表示由n个节点构成的超边。如图5所示：① 超边“洪涝灾害”事件连接（时间、地点、类型、灾害类型）等多个实体，能清晰表示实体之间的相关性；② 超边“城市”能够连接（时间、位置、面积、人口、类型）等多个实体属性，能全面表示一个实体的各类属性关系；③ 超边“车辆机动环境影响”连接（大气压、海拔高度、雾、地形坡度、能见度）等多个影响要素，能全面刻画环境对机动速度的影响；④ 超边“反恐行动分析决策”连接（积雪、风向、风速、气温、装备）等多个实体要素，能全面分析环境、武器装备和作战行动的综合决策。
图5 战场环境知识超图示例

Fig.5 Example of battlefield environment knowledge hypergraph

3.3 战场环境多层次时序知识超图模型

战场环境知识呈现明显的层次特性、时空特性和尺度特性。借鉴层次超图模型[16]，如图6所示，战场环境多层次时序知识超图模型（Multi- level temporal knowledge hypergraph model of battlefield environment）可形式化表示为： G = G B E _ O b j e c t , G B E _ E v e n t , G B E _ A f f e c t , G B E _ D e c i s i o n , R。其中 R表示层与层之间的关系集合； G B E _ O b j e c t表示要素层，由战场环境各领域要素及其之间的语义超边关系组成； G B E _ E v e n t表示事件层，由战场环境各类事件及其事件之间的因果、顺序、继承等事件逻辑关系组成； G B E _ A f f e c t表示环境影响层，由战场环境各要素影响因子及影响权重关系组成； G B E _ D e c i s i o n表示环境分析决策层，由作战行动、作战训练、武器打击效果评估等综合环境分析模型及作战行动过程关系组成。虚线表示各层次关联实体、时间、地点的跨层联动。
图6 多层次时序知识超图模型

Fig. 6 Multilevel temporal knowledge hypergraph model

G B E _ O b j e c t是一个无向属性超图网络，表示实体属性的关系； G B E _ E v e n t是一个有向超图网络，表示战场环境各类事件的有向逻辑关系； G B E _ A f f e c t是一个加权有向超图网络，表示各类环境要素影响的关系，边表示各类影响因素的权重； G B E _ D e c i s i o n是一个模糊超图网络，不需要对连续型的属性进行离散化处理，设 G B E _ D e c i s i o n = < d , e , λ >，其中 d = { d 1 , d 2 , ⋯ , d n }表示顶点集合， e = { e 1 , e 2 , ⋯ , e n }为超边集合， λ为模糊超网络模型的最优模糊相似度阈值。超边的条件属性集为 c = { c 1 , c 2 , ⋯ , c n }，D为超边的决策属性， e 1是超边集E中连接k个顶点 d i 1 , d i 2 , ⋯ , d i n的超边。其中顶点 d i为样本，且一条超边中的样本具有相同的属性集。
如图7所示，时序超网络模型动态映射关系，环境实体要素自身属性变化或实体间相互影响，引起相关地理事件、人文事件或信息事件的发生，能量聚变或流动引发武器装备和作战行动的单要素影响，最终综合影响作战指挥和打击效果。举例说明， t 1 , t 2 , t 3 , t 4 , ⋯ , t n分别表示不同的时间点， O 1 , O 2 , ⋯ , O n表示不同的实体要素， s 1 , s 2 , s 3 , s 4 , ⋯ , s n分别表示实体对应的不同时间的状态，“ t 1 → t 2”时刻，O1的状态从“ s 1 → s 2”转变，例如“2020.xx.xx → 2020 . x x . x x”，郑州市实体节点的降雨状态发生了变化，导致G_Event中降雨事件状态也随着发生了“大雨➝暴雨”的变化，进而G_Affect中不同时刻的降雨量对轮式装甲车的机动性能影响效能发生了改变。
图7 时序超网络模型动态映射关系

Fig. 7 Dynamic mapping relationship of temporal hypergraph model

3.4 战场环境知识超边建模

战场环境知识超边主要包括2类：① 各子图的知识超边；② 子图与子图之间的跨层超边。第①类主要是对要素、事件、影响过程和服务决策各网络内部的超边进行建模，第②类主要对 G B E _ O b j e c t、 G B E _ E v e n t、 G B E _ A f f e c t、 G B E _ D e c i s i o n 4个子图之间的层间映射关系进行建模。
第①类超边主要包括：① 要素知识子网络内部超边，主要表示各类实体要素的属性值；② 事件子网络内部超边，主要表示形成事件的“5W1H”属性值，以及事件与事件之间的继承、发展、因果等关系；③ 环境影响过程子网络内部超边，主要表示多个环境影响要素对武器装备或人员的综合影响； ④ 环境服务决策子网络内部超边，主要表示环境、装备性能对作战行动的决策影响。
第②类超边主要包括：① 要素知识子网络与事件子网络映射关系 ( G B E _ O b j e c t → G B E _ E v e n t ),表示战场环境事件中包含的要素实体，例如“洪涝灾害事件”与“城市”之间的“发生地”关系；② 事件子网络与环境影响过程子网络映射关系 ( G B E _ E v e n t → G B E _ A f f e c t )，表示战场环境发生事件引起的对武器装备或人员的影响，例如“强降雨事件（事件层）”与“能见度（环境影响层）”之间的“影响因子”关系；③ 环境影响过程子网络与环境服务决策子网络映射关系 ( G B E _ A f f e c t → G B E _ D e c i s i o n )，表示对武器装备或人员的影响参数对作战行动的决策影响，例如“地形坡度对车辆的影响（环境影响层）”与“协同追缴（作战决策）”之间的“模糊影响度”关系。
令$o_{i} ∈ G_{BE\_Object}$, $e_{j} ∈ G_{BE\_Event}$, $a_{k} ∈ G_{BE\_Affect}$, $d_{l} ∈ G_{BE\_Decision}$ 分别表示$G_{BE\_Object}$, $G_{BE\_Event}$, $G_{BE\_Affect}$, $G_{BE\_Decision}$ 4个子网络的任一节点，变量$\varphi\left(o_{i}, e_{j}\right), \varphi\left(e_{j}, a_{k}\right), \varphi\left(a_{k}, d_{l}\right)$分别表示不同类型之间是否存在映射关系，由此战场环境知识超边可表示为：$SE=\left\{o_{i}, r_{\varphi}, e_{j}, r_{\varphi}, a_{k}, r_{\varphi}, d_{l}\right\}$，其中 r φ表示是否存在映射关系。
战场环境知识超边可分为无序超边和有序超边，要素知识子网络多为无序超边，事件知识子网络多为有序超边。有序超边可以分为链状超边、环状超边[19]。超边需要对二元普通边进行连接性分析和子图构造得来，如图8、图9所示。
图8 有序超边示例

Fig. 8 Example of ordered super-edge

图9 无序超边示例

Fig. 9 Example of unordered super-edge

借鉴文献[19]知识超边规则，定义战场环境知识超边构建规则：
（1）规则1根据二元有序普通边构建有序超边
? p r d f s : s u b P r o p e r t y O f b e t h o : O r d e r e d C h a i n H E , ? x ? p ? y , ? y ? p ? k , m a k e C h a i n H E ? x , ? p , ? z - > ? z r d f : t y p e b e t h o : O r d e r e d H E , ? z r d f : f i r s t ? x
（2）规则2根据二元无序普通边构建无序超边
? p r d f s : s u b P r o p e r t y O f b e t h o : u n o r d e r e d C h a i n H E , ? x ? p ? y , ? y ? p ? k , m a k e C h a i n H E ? x , ? p , ? z - > ? z r d f : t y p e b e t h o : U n o r d e r e d H E , ? z r d f : f i r s t ? x , ? z r d f : m e m b e r ? y
（3）规则3环形有序普通边构建环形有序超边
? p r d f s : s u b P r o p e r t y O f b e t h o : o r d e r e d C i r c l e H E , ? x ? p ? y , m a k e C i r c l e H E ? x , ? p , ? z - > ? z r d f : t y p e b e t h o : O r d e r e d H E
（4）规则4环形无序普通边构建环形无序超边
? p r d f s : s u b P r o p e r t y O f b e t h o : o r d e r e d C i r c l e H E , ? x ? p ? y , m a k e C i r c l e H E ? x , ? p , ? z - > ? z r d f : t y p e b e t h o : U n O r d e r e d H E
利用以上规则实现知识超边建模结果示例，如图10所示。
图10 战场环境知识超边建模示例

Fig. 10 Example of super-edge modeling of battlefield environment knowledge

4 实验与应用

以反恐行动环境影响分析为例，从实体、事件、影响过程和分析决策4个层次实现战场环境知识的建模，采用的实验数据和模型如表2所示。软件开发IDE采用Pycharm，前端JavaScript进行图谱可视化，知识图谱采用Neo4j图数据库存储。
表2 实验数据

Tab. 2 Experimental data

数据类型 数据（模型）描述 格式描述 来源
地图数据 郑州地区OSM地图数据 shp点、线、面地图数据 osm官网下载
事件数据 郑州地区720洪水灾害事件及地缘事件类数据 新闻文本数据 互联网新闻爬取，触发词分词结构化
影响过程模型数据 装甲车机动影响模型 影响因子指标体系、规则描述 专家经验、研究论文
场环境服务决策数据 反恐作战行动战场环境影响分析决策 模糊影响图矩阵 专家知识、研究论文

4.1 战场环境要素知识表示

（1）地图实体知识表示
地图实体知识基于结构化shp数据，重点抽取地图各要素的名称、类型、位置、区域、时间和状态（图11、图12），在neo4j里采用超边存储。
图11 地图知识抽取示例

Fig. 11 Example of map knowledge extraction

图12 地图知识表示结果示意

Fig. 12 Results of map knowledge representation

（2）事件要素知识表示
事件知识抽取以战场环境地缘事件为例，从新闻网站爬取相关新闻事件，按照事件触发词进行事件整理，得到34 729个节点，超边表示示例如表3所示。
表3 事件的超图表示示例

Tab. 3 Example of event hypergraph representation

事件文字描述 类型 主体 时间 地点 动作 描述 超图表示
2021年7月20日，河南省郑州市遭遇历史罕见特大暴雨，发生严重洪涝灾害，造成重大人员伤亡和财产损失 洪涝灾害事件 河南省郑州市 2021年7月20日 河南省郑州市 遭遇、发生 720郑州特大洪涝灾害
2015年12月14日，上海合作组织成员国政府首脑（总理）理事会第十四次会议在郑州举行 政治事件 上海合作组织成员国、郑州 2015年12月14日 郑州 举行 上合理事会十四次会议
2022年2月24日，今日俄罗斯电视台媒体网站受到分布式拒绝服务(DDoS)攻击，导致服务器瘫痪 网络攻击事件 今日俄罗斯电视台媒体网站 2022年2月24日 今日俄罗斯电视台 攻击 俄媒体网站受到网络攻击

4.2 战场环境影响过程知识表示

本文以履带式车辆地形通行性能分析为例[20]，其影响分析模型如式（6）所示。
3600 ∙ P ∙ f 1 ∙ η V = f 2 ∙ G ∙ c o s α + C 21.15 ∙ A ∙ ( V + V f ) 2
式中： P为车辆发动机功率； f 1为大气压对车辆发动机功率输出的影响系数； η为车辆的机械效率； V为车辆的运动速度； f为车辆行驶的摩擦系数； G为车辆的总重量； α为地面的坡度； C为空气阻力系数； A为车辆正面投影面积； V f为车辆运动反方向上的风速分量。其影响超图表示结果如表4所示。
表4 战场环境影响过程超图表示示例

Tab. 4 Example of battlefield environment impact process hypergraph representation

影响因子 性能影响举例 逻辑规则表示 超图表示模型
水文因子 履带式牵引火炮，流速小于1 m/s，最大涉水深度为1.00 m Crawlertowedgun(?x)^Flowvelocity(?v)^hasFlowvelocity(?x,?v)^Depth(?d)^hasDepth(?x,?d)swrlb:lessThan(?v,1)^swrlb:lessThanOrEqual(?d,1)→hasTrafficeStatus(?x,true)
气象因子 海拔高度0 m，大气压101.13 kPa，车辆速度效率100% Vehicle(?x)^Altitude(?h)^Pressure(?p)^Speedefficiency(?v)^hasAltitude(?x,?h)^hasPressure(?x,?p)^swrlb:equal(?h,0)^swrlb:equal(?p,101.13)→hasSpeedefficiency (?x,100%)
土质因子 土质砾土，天气晴朗，车辆难通行 Vehicle(?x)^Soil(?s)^Weather(?w)^[“砾土”](?s)^[“晴朗”](?w)→hasTrafficeStatus(?x,hard)
植被因子 植被类型水田，淤泥深度<40 cm，车辆难通行，淤泥深度>40 cm，车辆不能通行 Vehicle(?x)^Vegetation (?ve)^[“水田”](?ve)^Muddepth(?m)^swrlb:greaterThan(?m,40)→hasTrafficeStatus(?x,prohibit)

4.3 战场环境服务决策知识表示

采用高原地区反恐行动环境影响决策知识为例[21]，将关系层、数值层和函数层以及结点间的模糊关系转换为超图模型[22]。独立节点状态、频率转换为超边关系，如表5所示。频率模糊集、独立节点和非独立节点的状态模糊集分别转换为频率和状态节点。节点间的模糊关系转换为超边关系。实验结果如图13所示，VH、H、M、L、VL表示频率模糊节点，隶属度作为节点属性值；G、S、B为独立节点状态模糊节点，隶属度作为节点属性值；HD、MD、LD、NO为非独立节点状态模糊节点，隶属度作为节点属性值。利用独立节点状态、频率构建超边，节点模糊关系构建各类节点之间的关系，结果如 图13所示。
表5 节点-非独立节点的超图表示

Tab. 5 Hypergraph representation of node-dependent nodes

节点 频率 状态 非独立节点 非独立节点状态 超图表示
1云类型 M G 11直升机 LD
1云类型 H S 10卫星 NO
3风速 VL G 11直升机 MD
9气压 H B 11直升机 HD
图13 模糊影响图的知识超图表示

Fig. 13 Knowledge hypergraph representation of fuzzy influence diagram

4.4 战场环境各类知识关联

知识关联是基于战场环境知识要素类型（人、目标、时间、地点、事件等不同类型），以其中的一个主题或多个主题组合进行要素关联，构建新的知识场景。由于不同的要素在关联中描述的方式不同，如时间一般按照序列关联，人或事件按照语义类型、层次、等级等特征进行关联，地点一般按照时间位置或区域范围进行关联。基于战场环境要素实体，将实体属性、影像/街景、事件、地理分析文档等跨域多源数据进行关联，如图14所示。从语义上实现多源异构战场环境数据的检索，且能够与三维虚拟战场环境实现关联映射，基于图谱语义节点实现对三维场景的交互。
图14 战场环境时序超图关联

Fig. 14 Time series hypergraph association of battlefield environment

4.5 实验分析

通过战场环境各类知识超边表示与关联实验可以发现，超边能够较好地保持实体、事件、影响过程和分析决策知识的整体性和结构性，避免采用三元组存储知识的碎片化。具体有如下特点：
（1）有利于提升实体知识检索的效率。如 图15（a）所示，实体知识超边利用<城市，时间，地点，状态，属性>，<道路，居民地，关系，属性>等描述地图实体，能够实现快速的检索，而不必通过实体的多级扩展进行检索，进而提高了效率。
图15 知识超图实验分析

Fig. 15 Experimental analysis of knowledge hypergraph

（2）有利于快速发现事件知识的继承性。如图15（b）所示，通过e1、e2、e3、e4、e5超边表示了5条事件知识，通过事件间的关系能够快速发现事件知识的继承关系，基于“事件A➝事件B➝事件C➝事件D”的事件序列能够进一步揭示事件发生的规律。
（3）有利于保持影响过程知识的结构性。如 图15（c）所示，通过影响规则知识超边能快速形成武器装备的影响知识子网络，保持影响过程函数知识的局部网络结构特性，有助于后续的规则推理和影响分析。
（4）有利于保持服务决策知识的子网络有序性。如图15（d）所示，由于服务决策知识网络是由Petri网转换而来的，复杂知识网络很难判断Petri网知识的层次性。利用知识超边表示（浅蓝色边）能够保持层次化网络特性，以及各节点对作战活动影响的有序性。

5 结论与展望

战场环境知识建模是战场环境智能化保障的核心基础工作，对要素、事件、影响过程、决策服务等多种类型的知识进行建模与分析是一个庞大的系统工程。本文主要从知识体系的分类、知识超图模型构建、知识超图构建与关联可视化等角度对战场环境知识进行了系统的分析、建模，主要实现了各类知识从数据、模型到知识超图的表示，并基于多源战场环境数据实现了知识超图建模的实验。论文对知识超图的建模与表示进行了实验，下一步将结合具体应用，利用相关实验数据，对知识超边建模的检索效率和结构性优势进一步定量分析。论文实现了多要素超图网络的关联搜索，下一步需要关联战场环境影响过程知识和决策分析知识综合分析战场环境，并且若要发挥知识图谱的作用，为态势分析与预测、作战指挥等提供智能服务还有大量工作需要做。例如，战场环境知识如何与战场态势、作战指挥等知识网络的融合，基于多模态战场环境知识的知识补全，基于图神经网络的知识推理，基于知识图谱的战场场景智能分析与预测等均需要进一步深入地研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
游雄. 基于虚拟现实技术的战场环境仿真[J]. 测绘学报, 2002, 31(1):7-11.

[ You X. The battlefield environment simulation based on VR[J]. Acta Geodaetica et Cartographic Sinica, 2002, 31(1):7-11. ]

[2]
游雄, 田江鹏. 面向无人自主平台的战场地理环境模型研究[J]. 系统仿真学报, 2020, 32(9):1645-1653.

DOI

[ You X, Tian J P. Research on geographical battlefield environment model facing autonomous platform[J]. Journal of System Simulation, 2020, 32(9):1645-1653. ] DOI:10.16182/j.issn1004731x.joss.20-0564

DOI

[3]
车金立, 唐力伟, 邓士杰, 等. 基于百科知识的军事装备知识图谱构建与应用[J]. 兵器装备工程学报, 2019, 40(1):148-153.

[ Che J L, Tang L W, Deng S J, et al. Construction and application of military equipment knowledge graph based on encyclopedia knowledge[J]. Journal of Ordnance Equipment Engineering, 2019, 40(1):148-153. ] DOI:10.11809/bqzbgcxb2019.01.031

DOI

[4]
赵瑜, 陈志坤, 杨春. 基于开源数据的军事领域知识图谱构建方法[J]. 指挥信息系统与技术, 2019, 10(3):64-69.

[ Zhao Y, Chen Z K, Yang C. Knowledge graph construction method for military field based on open source data[J]. Command Information System and Technology, 2019, 10(3):64-69. ] DOI:10.15908/j.cnki.cist.2019.03.012

DOI

[5]
杨婷婷, 刘忠, 朱先强, 等. 面向知识图谱的作战体系运行机制研究[J]. 指挥控制与仿真, 2018, 40(2):15-21.

DOI

[ Yang T T, Liu Z, Zhu X Q, et al. Combat system operation mechanism description method[J]. Command Control & Simulation, 2018, 40(2):15-21. ] DOI:10.3969/j.issn.1673-3819.2018.02.003

DOI

[6]
左毅, 张桂林, 吴蔚, 等. 面向战场海空目标识别的知识图谱应用[J]. 指挥信息系统与技术, 2019, 10(3):1-5,24.

[ Zuo Y, Zhang G L, Wu W, et al. Knowledge graph application for battlefield airborne/maritime target intelligent recognition[J]. Command Information System and Technology, 2019, 10(3):1-5,24. ] DOI:10.15908/j.cnki.cist.2019.03.001

DOI

[7]
陆锋, 余丽, 仇培元. 论地理知识图谱[J]. 地球信息科学学报, 2017, 19(6):723-734.

DOI

[ Lu F, Yu L, Qiu P Y. On geographic knowledge graph[J]. Journal of Geo-Information Science, 2017, 19(6):723-734. ]

[8]
蒋秉川, 万刚, 许剑, 等. 多源异构数据的大规模地理知识图谱构建[J]. 测绘学报, 2018, 47(8):1051-1061.

[ Jiang B C, Wan G, Xu J, et al. Geographic knowledge graph building extracted from multi-sourced heterogeneous data[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(8):1051-1061. ]

[9]
Jiang B C, Tan L H, Ren Y, et al. Intelligent interaction with virtual geographical environments based on geographic knowledge graph[J]. ISPRS International Journal of Geo-information, 2019, 8(10): 428. DOI:10.3390/ijgi8100428

DOI

[10]
Davies C. Reading geography between the lines: Extracting local place knowledge from text[M]. Spatial Information Theory. Cham: Springer International Publishing, 2013:320-337. DOI:10.1007/978-3-319-01790-7_18

DOI

[11]
余丽, 陆锋, 刘希亮. 开放式地理实体关系抽取的Bootstrapping方法[J]. 测绘学报, 2016, 45(5):616-622.

[ Yu L, Lu F, Liu X L. A bootstrapping based approach for open geo-entity relation extraction[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(5):616-622. ]

[12]
Kyzirakos K, Karpathiotakis M, Koubarakis M. Strabon: A semantic geospatial DBMS[M]. The Semantic Web - ISWC 2012. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012:295-311. DOI: 10.1007/978-3-642-35176-1_19

DOI

[13]
Stadler C, Lehmann J, Höffner K, et al. LinkedGeoData: A core for a web of spatial open data[J]. Semantic Web, 2012, 3(4):333-354.

DOI

[14]
Ballatore A, Bertolotto M, Wilson D C. Geographic knowledge extraction and semantic similarity in OpenStreetMap[J]. Knowledge and Information Systems, 2013, 37(1):61-81. DOI:10.1007/s10115-012-0571-0

DOI

[15]
焦麟, 邢帅, 王丹菂, 等. 面向生物危害应急响应的地理本体模型设计与构建[J]. 武汉大学学报·信息科学版, 2021, 46(4):586-594.

[ Jiao L, Xing S, Wang D D, et al. A biohazard emergency response geo-ontology model[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4):586-594. ] DOI:10.13203/j.whugis20190189

DOI

[16]
王东旭, 诸云强, 潘鹏, 等. 地理数据空间本体构建及其在数据检索中的应用[J]. 地球信息科学学报, 2016, 18(4):443-452.

DOI

[ Wang D X, Zhu Y Q, Pan P, et al. Construction of geodata spatial ontology and its application in data retrieval[J]. Journal of Geo-information Science, 2016, 18(4):443-452. ] DOI:10.3724/SP.J.1047.2016.00443

DOI

[17]
Naing M M, Lim E P, Hoe-Lian D G. Ontology-based web annotation framework for hyperlink structures[C]. Proceedings of the Third International Conference on Web Information Systems Engineering (Workshops). IEEE, 2003:184-193. DOI:10.1109/WISEW.2002.1177862

DOI

[18]
张雪英, 张春菊, 吴明光, 等. 顾及时空特征的地理知识图谱构建方法[J]. 中国科学:信息科学, 2020, 50(7):1019-1032.

[ Zhang X Y, Zhang C J, Wu M G, et al. Spatiotemporal features based geographical knowledge graph construction[J]. Scientia Sinica (Informationis), 2020, 50(7):1019-1032. ]

[19]
Fatemi B, Taslakian P, Vazquez D, et al. Knowledge hypergraphs: prediction beyond binary relations[C]. Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence. California: International Joint Conferences on Artificial Intelligence Organization, 2020:2191-2197. DOI:10.24963/ijcai.2020/303

DOI

[20]
田玲, 张谨川, 张晋豪, 等. 知识图谱综述——表示、构建、推理与知识超图理论[J]. 计算机应用, 2021, 41(8):2161-2186.

DOI

[ Tian L, Zhang J C, Zhang J H, et al. Knowledge graph survey: Representation, construction, reasoning and knowledge hypergraph theory[J]. Journal of Computer Applications, 2021, 41(8):2161-2186. ] DOI:10.11772/j.issn.1001-9081.2021040662

DOI

[21]
Berge C. Graphs and hypergraphs[M]. [Rev. ed. ]. Amsterdam: North-Holland Pub. Co., 1973

[22]
庞俊, 徐浩, 秦宏超, 等. 联合注意力与卷积网络的知识超图链接预测[J/OL]. 计算机科学与探索:1-10[2022-12-20].

[ Pang Jun, Xu Hao, Qin Hongchao, et al. Link prediction in knowledge hypergraph combining attention and convolution network[J/OL]. Journal of Frontiers of Computer Science and Technology:1-10[2022-12-20]. ]

[23]
高峰, 郑丽丽, 顾进广. 面向多元时序关系的金融知识图谱表示与构建[J]. 山西大学学报(自然科学版), 2022, 45(4):873-883.

[ Gao F, Zheng L L, Gu J G. Hypergraph based knowledge representation and construction for polynary and temporal relations in financial domain[J]. Journal of Shanxi University (Natural Science Edition), 2022, 45(4):873-883. ] DOI:10.13451/j.sxu.ns.2021122

DOI

[24]
黄鲁峰. 基于GIS的战场自然环境因子综合分析研究——以地形通行性能分析为例[D]. 郑州: 解放军信息工程大学, 2008.

[ Huang L F. A study of the comprehensive analysis of natural environmental factors in battlefield based on GIS: A case of terrain through performance analysis[D]. Zhengzhou: PLA Information Engineering University, 2008. ]

[25]
单继城. 动态战场环境对军事行动影响分析关键技术研究[D]. 长沙: 国防科技大学, 2019.

[ Shan J C. Research on key technologies of dynamic battlefield environment impact analysis on military action[D]. Changsha: National University of Defense Technology, 2019. ]

[26]
王静, 刘成山, 秦春秀. 一种基于模糊Petri网的知识元语义集成方法[J]. 情报理论与实践, 2017, 40(9):140-144.

[ Liu C S, Qin C X. Semantic integration method of knowledge element based on fuzzy petri net[J]. Information Studies: Theory & Application, 2017, 40(9):140-144. ] DOI:10.16353/j.cnki.1000-7490.2017.09.026

DOI

Options
文章导航

/

〈 〉