基于时序超图模型的战场环境多层次知识建模方法

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：

（1）

\begin{array}{l} 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} \end{array}

图2

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：

（2）

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：

（3）

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：

（4）

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：

（5）

\begin{array}{l} 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 > \end{array}

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 $V = \{x_{1}, x_{2}, \dots, x_{n}\}$ 是一个有限合集， $ε = \{e_{1}, e_{2}, \dots, e_{m}\}$ 是V的一个子集合集，即 $ε \subseteq 2^{V}$ 。称 $H = (V, ε)$ 是V上的一个超图，如果 $\forall i \in \{1,2, \dots, m\}, e_{i} \neq \emptyset$ 和 $\cup_{i - 1}^{m} e_{i} = V$ ，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 $v \in e$ ，则它的度数则是其所有超边的权重值之和，表示为 $d (v) = \sum_{e \in E | v \in e} ω (e)$ 。

图3

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

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 $(r, v_{1}, \dots, v_{n})$ ，其中 $r \in R$ ， $v_{i} \in V$ ， $(v_{1}, \dots, v_{n}) \in E$ ， $R$ 为关系集合， $V$ 为节点集合， $E$ 为超边集合， $(v_{1}, \dots, v_{n})$ 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

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

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 $d = {d_{1}, d_{2}, \dots, d_{n}}$ 表示顶点集合， $e = {e_{1}, e_{2}, \dots, e_{n}}$ 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 $c = {c_{1}, c_{2}, \dots, c_{n}}$ ，D为超边的决策属性， $e_{1}$ 是超边集E中连接k个顶点 $d_{i 1}, d_{i 2}, \dots, d_{i n}$ 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， $t 1, t 2, t 3, t 4, \dots, t n$ 分别表示不同的时间点， $O 1, O 2, \dots, O n$ 表示不同的实体要素， $s 1, s 2, s 3, s 4, \dots, s n$ 分别表示实体对应的不同时间的状态，“ $t 1 \to t 2$ ”时刻，O1的状态从“ $s 1 \to s 2$ ”转变，例如“2020.xx.xx $\to 2020 . x x . x x$ ”，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

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 $(G_{B E_O b j e c t} \to G_{B E_E v e n t})$ ,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 $(G_{B E_E v e n t} \to G_{B E_A f f e c t})$ ，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 $(G_{B E_A f f e c t} \to G_{B E_D e c i s i o n})$ ，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

图8 有序超边示例

Fig. 8 Example of ordered super-edge

图9

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

\begin{array}{l} (? 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) \end{array}

（2）规则2根据二元无序普通边构建无序超边

\begin{array}{l} (? 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) \end{array}

（3）规则3环形有序普通边构建环形有序超边

\begin{array}{l} (? 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) \end{array}

（4）规则4环形无序普通边构建环形无序超边

\begin{array}{l} (? 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) \end{array}

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

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

图11 地图知识抽取示例

Fig. 11 Example of map knowledge extraction

图12

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
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。

（6）

\frac{3600 ∙ P ∙ f_{1} ∙ η}{V} = f_{2} ∙ G ∙ c o s α + \frac{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
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
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

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

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

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

被引期刊影响因子

[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

The battlefield environment simulation based on VR

[J]. Acta Geodaetica et Cartographic Sinica, 2002, 31(1):7-11. ]

DOI:10.16182/j.issn1004731x.joss.20-0564 [本文引用: 1]

[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.

战场环境模型是复杂战场环境面向特定需求的抽象和描述,用以支撑战场环境特性和演变规律的研究和应用。现有的战场环境模型主要面向人类战争活动来描述战场环境,缺乏以无人自主平台为认知主体的设计。提出了一种耦合人机各自优势的多层次战场地理环境模型结构,充分发挥机器在特征层面的快速计算能力,以及人在要素和关系层面的认知经验。提出了一种集环境观测、模型构建和空间决策为一体的建模方法,支撑无人自主平台根据任务和环境实现自主空间决策。

[ You

, 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

Battlefield environment model is an abstraction and description of the complex battlefield environment for specific needs. It supports the research and application of the nature and evolution of the battlefield environment. However, the existing battlefield environment model is mainly oriented to human war activities to describe the battlefield environment,and lacks the design for unmanned autonomous platforms. <em>A multi-level battlefield environment model structure which couples the advantages of humans and machines</em> is proposed, which can give full play to the machine's rapid numerical calculation capabilities at the geometric and feature levels, as well as human cognitive experience at the element, relationship, and model levels. <em>A modeling method that integrates environmental observation, model construction and spatial decision-making</em> is proposed to support the unmanned autonomous platforms to realize one autonomous spatial decision-making according to the tasks and environments.

[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

[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

, Chen

Z K

, Yang

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:10.3969/j.issn.1673-3819.2018.02.003 [本文引用: 1]

[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.

面向知识图谱的作战体系运行机制的研究对于构建知识图谱、支持作战体系运行和推理的具有基础支撑作用,是作战体系研究中的重要环节。从作战体系的概念模型出发,针对作战体系运行机制的语义、过程、使命和不确定性处理等方面内容,研究了作战体系运作机制的本体描述方法、规则驱动的机制描述方法和任务驱动的机制描述方法。

[ Yang

T T

, Liu

, 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

[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

, Zhang

G L

, Wu

, 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:10.3724/SP.J.1047.2017.00723 [本文引用: 1]

[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.

网络文本蕴含大量隐式地理空间信息,为地理知识获取与知识服务提供了巨大潜能。地理知识图谱是将传统地理信息服务拓展到地理知识服务的关键,也是网络文本蕴含地理信息采集与处理的终极目标。本文系统评述了开放地理语义网、开放地理实体及关系抽取、地理语义网对齐、知识图谱存储方法等地理知识图谱相关主题的研究进展,从网络文本蕴含地理空间信息量与质量评价、地理信息语义理解、空间语义计算模型和异构地理语义网对齐等方面剖析了目前亟需解决的关键科学问题。

[ Lu

, Yu

, 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

, Xu

, 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

, 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

[10]

Davies

. 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

[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

, Lu

, 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

, Karpathiotakis

, Koubarakis

. 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

[13]

Stadler

, Lehmann

, Höffner

, et al.

LinkedGeoData: A core for a web of spatial open data

[J]. Semantic Web, 2012, 3(4):333-354.

DOI:10.3233/SW-2011-0052 URL [本文引用: 1]

[14]

Ballatore

, Bertolotto

, 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

URL [本文引用: 1]

[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

, Xing

, 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:10.3724/SP.J.1047.2016.00443 [本文引用: 3]

[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.

随着新地理信息时代的来临,地理数据已经呈现出爆炸式增长的趋势。如何在海量的地理数据中准确、及时地找到人们所需要的数据,并把相关联的数据智能地推荐给用户,成为亟待解决的一大难题。针对传统以关键词、主题词等字符串匹配为核心的数据发现方法存在的查不全、查不准的问题,本文通过对地理空间中的概念、属性、关系、规则,以及相应实例的详细表达,初步提出了地理空间本体构建框架,并在此基础上构建了较为完整的地理数据空间本体,以实现地理数据的智能关联,最后在地球系统科学数据共享平台中进行应用实践。结果表明,引入地理数据空间本体后,检索的结果在数据的查全和查准方面显著提高,而且还能智能推荐相关联的数据信息。本文构建的地理数据空间本体对于大数据时代背景下地理数据的精确发现和共享有重要意义。

[ Wang

D X

, Zhu

Y Q

, Pan

, 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

[本文引用: 3]

[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

[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. ]

DOI:10.11772/j.issn.1001-9081.2021040662 [本文引用: 1]

[19]

Fatemi

, Taslakian

, Vazquez

, 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

[本文引用: 2]

[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.

针对知识图谱（KG）在知识驱动的人工智能研究中发挥的强大支撑作用，分析并总结了现有知识图谱和知识超图技术。首先，从知识图谱的定义与发展历程出发，介绍了知识图谱的分类和架构；其次，对现有的知识表示与存储方式进行了阐述；然后，基于知识图谱的构建流程，分析了各类知识图谱构建技术的研究现状。特别是针对知识图谱中的知识推理这一重要环节，分析了基于逻辑规则、嵌入表示和神经网络的三类典型的知识推理方法。此外，以异构超图引出知识超图的研究进展，并提出三层架构的知识超图，从而更好地表示和提取超关系特征，实现对超关系数据的建模及快速的知识推理。最后，总结了知识图谱和知识超图的典型应用场景并对未来的研究作出了展望。

[ Tian

, 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

[21]

Berge

. 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]. ]