留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用作战任务本体计算战场环境要素语义相似性

朱杰 游雄 夏青

朱杰, 游雄, 夏青. 利用作战任务本体计算战场环境要素语义相似性[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1407-1415. doi: 10.13203/j.whugis20170409
引用本文: 朱杰, 游雄, 夏青. 利用作战任务本体计算战场环境要素语义相似性[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1407-1415. doi: 10.13203/j.whugis20170409
ZHU Jie, YOU Xiong, XIA Qing. A Semantic Similarity Calculation Method for Battlefield Environment Elements Based on Operational Task Ontology[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1407-1415. doi: 10.13203/j.whugis20170409
Citation: ZHU Jie, YOU Xiong, XIA Qing. A Semantic Similarity Calculation Method for Battlefield Environment Elements Based on Operational Task Ontology[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1407-1415. doi: 10.13203/j.whugis20170409

利用作战任务本体计算战场环境要素语义相似性

doi: 10.13203/j.whugis20170409
基金项目: 

国家自然科学基金 41271393

详细信息
    作者简介:

    朱杰, 博士生, 主要从事战场环境认知及战场位置服务的理论和方法研究。zjsoldierlee@163.com

  • 中图分类号: P208

A Semantic Similarity Calculation Method for Battlefield Environment Elements Based on Operational Task Ontology

Funds: 

The National Natural Science Foundation of China 41271393

More Information
    Author Bio:

    ZHU Jie, PhD candidate, specializes in the theories and methods of battlefield environment cognition and battlefield location service. E-mail:zjsoldierlee@163.com

图(2) / 表(1)
计量
  • 文章访问数:  1127
  • HTML全文浏览量:  77
  • PDF下载量:  149
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-07-31
  • 刊出日期:  2019-09-05

利用作战任务本体计算战场环境要素语义相似性

doi: 10.13203/j.whugis20170409
    基金项目:

    国家自然科学基金 41271393

    作者简介:

    朱杰, 博士生, 主要从事战场环境认知及战场位置服务的理论和方法研究。zjsoldierlee@163.com

  • 中图分类号: P208

摘要: 如何根据作战任务需求为用户快速提供有针对性的有效数据,是战场环境数据保障实现主动服务必须解决的问题之一。针对作战任务与战场环境数据关联关系复杂,目前方法上存在缺少数据匹配语义表达、语义相关度及不同要素类语义权重量化等问题,提出了一种基于作战任务本体的战场环境要素语义相似性计算方法。利用本体方法确定作战任务与战场环境数据在概念语义上的逻辑关系,按照作战任务语义相关度划分战场环境要素,采用规则与案例相结合的推理技术建立语义相似性计算,从而量化战场环境要素实体语义权重。实验结果表明,该方法能有效提升战场环境数据组织的效率与精度。

English Abstract

朱杰, 游雄, 夏青. 利用作战任务本体计算战场环境要素语义相似性[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1407-1415. doi: 10.13203/j.whugis20170409
引用本文: 朱杰, 游雄, 夏青. 利用作战任务本体计算战场环境要素语义相似性[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1407-1415. doi: 10.13203/j.whugis20170409
ZHU Jie, YOU Xiong, XIA Qing. A Semantic Similarity Calculation Method for Battlefield Environment Elements Based on Operational Task Ontology[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1407-1415. doi: 10.13203/j.whugis20170409
Citation: ZHU Jie, YOU Xiong, XIA Qing. A Semantic Similarity Calculation Method for Battlefield Environment Elements Based on Operational Task Ontology[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1407-1415. doi: 10.13203/j.whugis20170409
  • 当前测绘保障模式处于从预先测绘保障的被动服务模式向实时(应急)测绘保障的主动服务模式转变阶段[1],以用户需求为核心的知识服务是实现信息化条件下军事测绘主动服务的关键[2]。一体化联合作战背景下战场环境数据保障覆盖领域广、需求复杂,其面临的关键问题之一是如何在作战过程中根据作战任务需求实现高效灵活的数据组织方法,为用户快速提供有针对性的有效数据。

    作战过程中的战场环境数据与作战任务相关分析通常是以作战任务为牵引,研究两者之间存在的依存关系及其相关程度,例如通过确定决策地理因子建立与作战行动相关联的地理空间数据集,以提高信息服务的完备性和效率[3]。本体方法是研究地理信息集成和共享的有效途径,能够在特定的语义环境中实现不同数据集之间的集成以及地理对象语义的转化[4],在一定程度上能够实现战场环境数据集与作战任务信息之间的语义关联。文献[5-6]采用目录服务建立任务与环境数据、任务与环境服务之间的关联关系,从而形成面向任务的数据集,并通过工作流机制进一步提升应用效能。文献[7]针对战场环境模型在各领域的不同需求,建立上下文限定的本体模型,并通过本体映射合成运算,实现复杂关系表述和快速检索。文献[8]基于任务本体实现地理信息Web服务的自动组合,其中包含采用任务本体概念间的语义关系推导服务组合执行匹配度。这些方法大多基于概念模型和规则定义实现任务驱动下的数据服务,但较少提及任务过程中如何基于语义信息更好地实现地理空间数据组织,以及如何依据任务需求与地理要素的语义信息关联来确定匹配度权重,从而建立两者的相关分析方法。

    战场环境各要素的数据来源不同,获取手段和方法也各不相同,形成战场环境数据种类繁多、数据量大[9]。由于作战任务本身具有明显的时空特性,并且作战行为的复杂性和动态性促使战场环境数据关联具有不确定性,因此,本文首先建立作战任务与战场环境数据的本体概念层次模型,以明确两者之间的语义逻辑关系,其次根据作战任务需求与战场环境要素特征建立基于作战任务本体的战场环境要素划分,利用基于规则与案例相结合的推理技术来桥接时空约束下战场环境要素实体的语义相似性计算,并建立顾及时空特征匹配语义相似性评价模型,实现语义相似度及不同要素类的语义权重判定,为战场环境数据的按需组织提供良好机制,促进战场环境数据保障的主动服务。

    • 作战任务是为达成预定作战目的的一系列具有严格标准操作程序的相互关联的作战行动的有序集合,其本身具有层次结构性和时空特性[10-12]。一方面从面向对象的角度来看,根据分解粒度的不同,作战任务可以由父任务、子任务和元任务组成,形成具有层次关系的集合;另一方面由于作战行动受时间与空间因素的制约,从语义表达上可以描述为具有一定语法结构的句子,简化为由动词和名称组成的语义结构,记作Task(verb,noun),表示作战任务过程由一系列相关联的行动动词verb和被执行对象名词noun构成,即明确了执行任务的作战单元、作战时间、作战地点、作战目的以及与作战任务相关的属性,因此可将元任务形式化描述为5元组结构:Meta_Task={Task_Location, Task_Time, Task_Unit, Task_Purpose, Task_Property}。

      Timpf认为[13],地理信息科学中将任务作为认知引导,在给定任务条件下需要实时可重构的地理空间数据,因而为了描述基于任务的地理空间数据检索,任务本体同领域本体一样,需要具有知识共享性、互操作性和可重用服务性。那么,作战任务需要进一步细分为以任务类型为基础的分类管理和对战场环境数据需求的响应,也就是说,作战任务的分类必须降到能够区分战场环境要素类型的最低级别,且这种要素类型作用于相应类型的作战任务。因而,作战任务本体应包括执行任务的作战单元静态实体描述、行动交互的动态过程描述以及作战规则、任务属性等[14],分别对元任务形式化结构中的要素进行概念化描述,其中,作战单元静态实体描述对应Task_Unit,作战行动过程描述对应Task_Purpose,作战任务属性对应Task_Property,作战任务规则从地理空间角度包含对Task_Location、Task_Time表示的作战任务时空关系的语义概念描述及其操作规则。

      因此,按照作战任务要素以及领域本体概念模型的形式化规范[15],作战任务本体可形式化定义为9元组:TaskOntology= < TC,TAC,TR,TAR,TST,TAST,TH,TI,TX > 。其中,作战任务领域概念类TC表示作战任务要素对象的集合,是作战任务形式化结构中要素概念类的集合,包括作战单元类、作战行动类、任务规则类、任务属性类等;概念类属性TAC表示概念类TC的属性集合,如作战单元类型、行动类型、时空属性等;通用关系类TR表示一般本体语义关系集合,如部分-整体关系、从属关系、等价关系等;通用关系类属性TAR表示通用关系TR中每个关系的属性集;TST是作战任务本体特有的语义关系,表示概念之间的时空关系集合,反映作战任务本体在时空上的动态变化过程,如顺序关系、并行关系、同步关系、异步关系等;TAST是对时空关系集合中每个关系的属性集表示;TH表示作战任务本体在作战领域中的层级语义关系,如父子关系,体现作战任务本体的层次结构性;TI表示对象的实例;TX表示既定公理和规则,是对概念定义和关系描述的约束。

    • 战场环境数据源于地理数据,具有时间、空间和属性特征,因而战场环境数据模型可以从时间语义、空间语义和属性语义3个方面给予描述,采用面向对象的方法建立战场环境数据的层次结构概念模型[16],可通过对象的空间、时间、属性、关系等特征参数进行描述,语义结构描述参照地理实体描述[17],将战场环境实体描述为Entity(class,attribute,function),其参数分别表示实体特征的结构、属性及功能3部分。

      为了更好地对战场环境数据进行合理、准确的描述,利用本体统一描述战场环境数据模型的概念与关系,以提高知识的通用性与互操作性[18-19]。战场环境数据概念模型中的本体是对战场环境这一特定领域的基本概念及环境实体之间相互关系形式化的规范说明。针对战场环境的本身特点,按照环境要素特征建立战场环境数据模型的语义主题分类。一个完整的战场环境数据模型本体描述需要包含地理空间数据描述性因素以及描述特定类型的应用数据和单独类别,如特定的威胁区域环境数据不仅包含区域基础地理环境数据,还包括该区域的高程数据、目标数据及其他一些附属信息。

      因此,结合战场环境数据概念模型要素组成,战场环境数据概念模型本体表示可以由要素类概念、概念属性、个体实例及概念、属性之间的语义关系、层次关系、约束规则以及特征参数等描述,其形式化为9元组:EnvDataOntology= < EDC,EDAC,EDR,EDAR,EDT,EDAT,EDH,EDI,EDX > 。其中,EDC表示战场环境数据对象类集合,包括特征结构类、属性类和功能类;EDAC表示对象类中每个对象的属性集;EDR表示对象之间的一般关系集合,包括以位置为空间特征的关系(如位于、相对位于、定位)等;EDAR表示每个关系的属性集;EDT表示对象类时空关系集合,包括几何关系(如距离关系、拓扑关系和方向关系)、时序关系(如开始-结束、之前-之后)等;EDAT表示时空关系的属性集;EDH强调对象之间语义层级关系集合,如kind_of、part_of等描述对象与对象之间的层次结构关系;EDI表示对象的实例;EDX表示公理与约定,是对相关关系和语义操作上的约束。

    • 从军事需求角度来看,战场环境数据是围绕作战任务进行组织,将作战任务作为认知引导来建立地理空间数据的实时组织结构,形成面向任务域的战场环境数据组织过程,而两者的认知引导关系主要通过作战任务与战场环境数据集之间的语义相关性来表示。为了建立两者的语义相关性,需要从概念描述上建立作战任务本体与战场环境数据本体的一致性,采用描述逻辑方法形式化表达本体的空间概念及其关系,在此基础上分别通过时空相关性与上下文相关性的扩展来明确概念层中的逻辑关系,从而约束每种作战任务类型所需的战场环境数据类型,以满足基于任务域的战场环境数据拓扑表达和作战任务语义描述的需要[20-21]

      §1.1提出的作战任务语义结构Task(verb,noun)可由动词和名称组成,将其分解后的名词与战场环境数据概念从地理语义概念描述上可转换成二元关系: < 战场环境数据语义单位A,相关性谓词,战场环境数据语义单位B > ,通过时间、空间和上下文相关性3个方面构建谓词系统描述,建立任务概念中战场环境要素之间的关联性,以此描述作战任务与战场环境要素的相关性。

      通过时空相关性和上下文相关性的基本语义关系,本文采用OWL DL(web ontology language description logic)描述逻辑建模功能,构建作战任务与战场环境数据集语义相关性。在OWL中,属性约束是一种类描述,它通过在类扩展(与类关联的一组个体)中放置约束来描述匿名类,可以指定值域或者基数约束来适用于数据类型或对象的属性[22]。本文使用OWL中的对象属性值域范围来约束每种作战任务类型所需的数据集类型,从而建立两者的属性相关性。例如,以沿道路机动任务为例,与作战任务关联的环境要素数据集包括区域道路、地貌土质、水系障碍、居民地及植被等类型,将其关系声明为:∀needs(RoadData∪LandCoverData∪RiverBarrierData∪ResidentialData∪VegetationData),其中“needs”表达了作战任务类和战场环境数据类之间的属性约束关系。

    • 文献[23]将面向用户任务的空间要素分为任务焦点、任务相关与任务无关3个要素类。本文根据作战任务特点,将战场环境要素按照影响作战任务的重要程度分为任务决策、任务关注及任务无关3个要素类。

      以作战任务本体概念为基础,利用领域本体概念类语义相似度来定义上述基于任务本体的战场环境要素的语义关系[24],建立作战任务本体与战场环境数据本体在概念描述上的语义一致性,即:

      $${\rm{Sim}}:{\rm{TC}} \times {\rm{EDC}} \to \left[ {0, 1} \right]$$ (1)

      式中,TC、EDC分别表示两者领域本体中的概念类;相似度Sim的取值为[0, 1]。若${\rm{Sim}}\left({{\rm{TC}}, {\rm{EDC}}} \right) = 1$,表示两者概念描述同义;${\rm{Sim}}\left({{\rm{TC}}, {\rm{EDC}}} \right) = 0$,表示两者概念描述完全不同;介于0和1之间的取值表示两者概念的相近程度。

      从语义概念上看,若作战任务本体概念分解后的名词与战场环境数据本体表现的概念同义,则与此概念相关联的要素类即为决策要素类。

      与决策要素类满足以下任一条件的要素类即为关注要素类:(1)与决策要素类符合本体对象的部分-整体层级关系;(2)与决策要素类符合语义概念的上下文关系;(3)在基于时空相关性前提下与决策要素类符合对作战任务产生影响的属性特征相似性。

      任务无关要素类则在本体语义上表现为作战任务本体与战场环境本体在要素属性特征交集上为空集。

    • 决策要素类具有与作战任务直接相关的要素特征,可以利用过去相似作战任务过程中确定的知识经验来解决新的作战任务过程中出现的问题,因而通过案例推理方法建立解决方案,以描述什么时间、什么地点、何种战场环境要素对何种作战行动产生了影响、达到了什么影响程度及其记录的量化参数,即在结构上可表示为一个5元组:战场环境要素应用案例=(作战任务,时间,空间;战场环境要素特征,影响效能参数),其中,本文影响效能参数主要是地理环境影响效能参数,包括通行率、通视率以及障碍率等,为要素语义权重的确立提供依据。

      将时间、空间和作战任务作为新案例,与历史案例的相似度因素建立决策要素类相似性计算公式,记为:

      $${\rm{Sim}}\left( {{c_1}, {c_2}} \right) = {\omega _t} \cdot {S_t}\left( {{c_1}, {c_2}} \right) + {\omega _s} \cdot {S_s}\left( {{c_1}, {c_2}} \right) + {\omega _m} \cdot {S_m}\left( {{c_1}, {c_2}} \right)$$ (2)

      式中,${S_t}\left({{c_1}, {c_2}} \right)、{S_s}\left({{c_1}、{c_2}} \right), {S_m}\left({{c_1}, {c_2}} \right)$分别为案例$\left({{c_1}, {c_2}} \right)$在时间、空间和作战任务上的局部相似度,可利用地理实体案例推理方法计算得出[25];${\omega _t}、{\omega _s}、{\omega _m}$分别为上述3个特征相似度的权重,且满足${\omega _t} + {\omega _s} + {\omega _m} = 1$,具体权重的取值需要依据具体作战任务的特点和先验知识进行设置。为了提高计算结果的整体可信性,计算模型在权重设定上可通过迭代方法进行改进,即:

      $$\left\{ {\begin{array}{*{20}{l}} {{\rm{Sim}}\left( {{c_1},{c_2}} \right) = \mathop {\mathop {\mathop \sum \nolimits^{} }\limits_{i = 1} }\limits^3 {\lambda _i}\mathop {\mathop {\mathop \prod \nolimits^{} }\limits_{j = 1} }\limits^i {\rm{Si}}{{\rm{m}}_j}\left( {{c_1},{c_2}} \right)}\\ {{\lambda _i} = \frac{{{\omega _i}}}{\omega }} \end{array}} \right.$$ (3)

      式中,${\lambda _i}$表示当前权重;${\omega _i}$表示当前满足该任务类型的要素特征的个数;$\omega $表示该要素特征类型的总数。以3种相似度值中的一种相似度值为主要相似度值,其余两种为次要相似度值,则主要相似度值对次要相似度值起到制约作用,即次要相似度值对整体相似度起到的作用由主要相似度值的大小而决定;同时,${\lambda _i}$作为迭代变量,其值为当前满足该作战任务类型的要素特征类型的个数与该要素特征类型总数的比值,该比值越大,则主要相似度值影响整体相似度就越大,反之则越小。

    • 从语义相关性上,任务决策要素类与任务关注要素类满足§2.1中两者相互关联的条件,在基于前述任务关注要素类产生条件的基础上,从层次结构、属性优先和时空语义约束等方面建立任务关注要素类的语义相似性计算规则。

      规则1 层次结构规则:战场环境要素本体概念类划分后,按照父子等价规则[15],决策要素类、关注要素类和无关要素类概念集合必须与战场环境要素领域本体概念类相等。

      规则2 属性优先规则:战场环境要素实体特征排列次序时,以要素类属性特征使用次序优先于结构特征和功能特征,即从语义权重上,属性特征相似度权重优先。

      规则3 时空语义约束规则:战场环境要素类概念相似度计算受到时空语义的约束,若概念类某一属性同其他属性在时空语义上存在交叉,则将该属性排除,不参与相似度计算。

      那么,从要素的结构、属性和功能建立相似性计算公式,即:

      $$\begin{array}{*{20}{c}} {{\rm{Sim}}\left( {{s_1}, {s_2}} \right) = {\omega _{{c_1}}} \cdot {S_{{c_1}}}\left( {{s_1}, {s_2}} \right) + {\omega _{{a_1}}} \cdot {S_{{a_1}}}\left( {{s_1}, {s_2}} \right) + {\omega _{{f_1}}} \cdot {S_{{f_1}}}\left( {{s_1}, {s_2}} \right) + }\\ {\omega \cdot \left( {{S_{{c_2}}}\left( {{s_1}, {s_2}} \right) + {S_{{a_2}}}\left( {{s_1}, {s_2}} \right) + {S_{{f_2}}}\left( {{s_1}, {s_2}} \right)} \right)} \end{array}$$ (4)

      式中,${S_{{c_1}}}\left({{s_1}, {s_2}} \right)、{S_{{a_1}}}\left({{s_1}, {s_2}} \right)、{S_{{f_1}}}\left({{s_1}, {s_2}} \right)$分别为两者要素类$\left({{s_1}, {s_2}} \right)$在结构、属性和功能特征上的局部相似度,可参照文献[26]按照语义特征匹配模型计算得到对应的与作战任务相关的要素类结构、属性及功能特征语义相似度值;${S_{{c_2}}}\left({{s_1}, {s_2}} \right)、{S_{{a_2}}}\left({{s_1}, {s_2}} \right)、{S_{{f_2}}}\left({{s_1}, {s_2}} \right)$分别为与任务无关要素类在结构、属性及功能特征上的语义相似度值;${\omega _{{c_1}}}、{\omega _{{a_1}}}、{\omega _{{f_1}}}$分别为与任务关注要素类在结构、属性及功能特征上的相似度权重;$\omega $为任务无关要素类的相似度权重,且上述权重满足:

      $$\left\{ {\begin{array}{*{20}{l}} {{\omega _{{c_1}}} + {\omega _{{a_1}}} + {\omega _{{f_1}}} + \omega = 1}\\ {{\omega _\alpha } = D/X} \end{array}} \right.$$ (5)

      式中,D为满足当前该作战任务类型的要素特征类型的个数;X为该要素特征类型的总数;${\omega _\alpha }$为该要素类型与作战任务相关的特征权重。

    • 面向作战任务的战场环境要素数据集的组织,一方面基于本体概念通过与作战任务相关程度对要素类数据进行划分,另一方面通过要素类数据表达的详细程度来描述影响作战任务的作用范围和密切程度。因而,从语义权重上确立决策要素类、关注要素类和无关要素类在数据表达细节层次上的详细度,以此量化战场环境要素类选取并提高数据检索效率。

      设任务决策要素类与任务关注要素类分别为${s_j}$、${s_g}$,两者从结构、属性、功能特征上根据作战任务与战场环境要素的语义相关性将要素类概念分解为结构特征集、属性特征集和功能特征集,分别计算${S_{{c_1}}}\left({{s_j}, {s_g}} \right)$、${S_{{a_1}}}\left({{s_j}, {s_g}} \right)$、${S_{{f_1}}}\left({{s_j}, {s_g}} \right)$以及${S_{{c_2}}}\left({{s_j}, {s_g}} \right)$、${S_{{a_2}}}\left({{s_j}, {s_g}} \right)$、${S_{{f_2}}}\left({{s_j}, {s_g}} \right)$,并通过对应的特征权重${\omega _{{c_1}}}、{\omega _{{a_1}}}、{\omega _{{f_1}}}$以及任务无关要素类的相似度权重ω,由式(4)计算出相似度${\rm{Sim}}\left({{s_j}, {s_g}} \right)$。在文献[23]基础上,本文将任务关注要素类在任务概念分解过程中的语义权重定义为${W_g} = \sqrt {{\rm{Sim}}\left({{s_j}, {s_g}} \right)} $。

      任务决策要素类与作战任务相关程度最高,其语义权重${W_j}$大于所有关注要素类的语义权重,记为${W_j} = {\rm{max}}\left\{ {{W_g}} \right\}$;任务无关要素类与作战任务相关程度最小,其语义权重${W_n}$小于所有关注要素类的语义权重,记为${W_n} = {\rm{min}}\left\{ {{W_g}} \right\}$。

    • 为了扩展面向作战任务的战场环境要素概念语义相似度计算方法,通过本体概念语义特征匹配建立相似性计算评价过程。设定概念s1s2分别代表任务决策要素类、任务关注要素类,则分别从时间关联相似度、空间关联相似度、要素特征关联相似度,结合§2.2给出的权重因子判定过程,确定其整体相似度,即:

      $$ \left\{ \begin{array}{l} S\left( {{s_1}, {s_2}} \right) = {\omega _t} \cdot {S_t}\left( {{s_1}, {s_2}} \right) + {\omega _s} \cdot {S_s}\left( {{s_1}, {s_2}} \right) + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;{\omega _p} \cdot {S_p}\left( {{s_1}, {s_2}} \right) + \omega \cdot {S_w}\left( {{s_1}, {s_2}} \right)\\ {S_p}\left( {{s_1}, {s_2}} \right) = {\omega _{{c_1}}} \cdot {S_{{c_1}}}\left( {{s_1}, {s_2}} \right) + {\omega _{{a_1}}} \cdot {S_{{a_1}}}\left( {{s_1}, {s_2}} \right) + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\omega _{{f_1}}} \cdot {S_{{f_1}}}\left( {{s_1}, {s_2}} \right)\\ {\omega _t} + {\omega _s} + {\omega _p} + \omega = 1 \end{array} \right. $$ (6)

      式中,$S\left({{s_1}, {s_2}} \right)$为整体相似度;${S_t}\left({{s_1}, {s_2}} \right)$为时间关联相似度;${S_s}\left({{s_1}, {s_2}} \right)$为空间关联相似度;${S_p}\left({{s_1}, {s_2}} \right)$为要素特征关联相似度;${S_w}\left({{s_1}, {s_2}} \right)$为与任务无关要素类的语义相似度;${\omega _t}、{\omega _s}、{\omega _p}、\omega $分别为对应的权重,由各自对应的属性项在其本体概念属性中的重要程度来确定。其中,整体相似度的计算关键在于局部相似度权重评价[27]

      1)时间关联相似度

      时间关联相似度是两者在时间轴上的相似程度,通常时间间隔越远,相似度越低,反之相似度越高。由于与作战任务相关的要素类在时间周期上存在一定规律性,如对于南方水网较多区域的机动任务,需要考虑每年的梅雨季节,时间为6~7月,其相似度计算应以此为基准计算。为了区分一般任务与规律性任务,将时间关联相似度表示为:

      $${S_t}\left( {{s_1}, {s_2}} \right) = \left\{ {\begin{array}{*{20}{l}} {\delta _d^{\left| {{\rm{di}}{{\rm{s}}_d}} \right|}, 一般任务}\\ {\delta _y^{\left| {{\rm{di}}{{\rm{s}}_y}} \right|} \cdot \delta _m^{\left| {{\rm{di}}{{\rm{s}}_m}} \right|} \cdot \delta _d^{\left| {{\rm{di}}{{\rm{s}}_d}} \right|}, 规律性任务}\\ {{\delta _y}, {\delta _m}, {\delta _d} \in \left[ {0, 1} \right]} \end{array}} \right.$$ (7)

      式中,${\delta _y}, , {\delta _m}, , {\delta _d}$分别为时间单位为年、月、日的相似度权重,取值为$\left[{0, 1} \right]$;$\left| {{\rm{di}}{{\rm{s}}_d}} \right|, , \left| {{\rm{di}}{{\rm{s}}_m}} \right|, , \left| {{\rm{di}}{{\rm{s}}_y}} \right|$分别为时间在单位日、月、年上的间隔距离,对于一般任务以日为基准,规律性任务以周期时间为基准,时间间隔越远,相似度就越低。

      2)空间关联相似度

      空间关联相似度是根据要素实体的空间特征来建立相互之间的空间关联关系,以确定其相似度评价,主要表现为几何空间下的拓扑关系,包括相邻、相接、连通、包含等关联关系,可表示为:

      $${S_s}\left( {{s_1}, {s_2}} \right) = \left\{ {\begin{array}{*{20}{l}} {0, 空间无关联}\\ {\mu , 空间关联存在交集}\\ {1, 空间关联一致} \end{array}} \right.$$ (8)

      式中,$\mu \in \left({0, 1} \right)$,其值通常按照位置关系来确定经验值。

      3)要素特征关联相似度

      要素特征关联相似度是通过本体领域概念模型中属性值域的相似性计算来确定要素类实体概念的语义相似度,包括要素类在层次结构、属性和功能上的语义特征关联相似度。如层次结构特征关联相似度可以按照概念层次树中的语义距离度量,表示为:

      $${S_c}\left( {{s_1}, {s_2}} \right) = \frac{1}{{{\rm{Di}}{{\rm{s}}_c}\left( {{s_1}, {s_2}} \right) \cdot \gamma + 1}}$$ (9)

      式中,${\rm{Di}}{{\rm{s}}_c}\left({{s_1}, {s_2}} \right)$表示两者语义概念距离在树结构中的最短距离;γ表示权重系数,用来平衡相似度,一般为语义树中个体语义距离最大值的倒数。属性与功能的概念语义相似度方法类似,都可以通过计算两者的语义距离来度量相似度。

    • 现有战场环境数据保障服务于决策支持的相关方法多是采取基于经验的人工查找方式建立决策服务链,这种方式因其在数据发现与获取效率上的限制,难以满足应急事务处理高效、精确的要求。为了使战场环境数据保障更好地适应联合作战分布式、协作化环境,能够根据应急作战任务高效聚集分散的数据资源,为决策支持提供按需数据服务保障,根据上述对战场环境与作战任务的相关性研究,在实际应用中提出面向作战任务的战场环境数据匹配的概念语义相似性方法。其步骤如下:

      1)相关数据预处理与概念本体生成。首先是相关数据预处理,主要是对战场环境数据和作战任务内容数据进行预处理,包括数据存储格式统一规范、数据内容描述符合定义等;其次利用Protégé建立作战任务概念本体和战场环境数据概念本体,共包含概念本体245个,并以历史战例相关文献资料为基础,整理提取相关案例178个,形成案例库;然后抽象本体模型,获取作战任务与战场环境数据相对应的概念类、实例类、属性类等;最后形成战场环境数据概念本体实例集。

      2)确定案例匹配决策要素集。设语义距离阈值为${\rho _{{\rm{dis}}}}$,EnvDec为决策要素集合,EnvCase为已定义的案例要素集合,计算两者要素实体之间的欧氏距离Disi(EnvDeci, EnvCasei),若${\rm{Di}}{{\rm{s}}_i}\left({{\rm{EnvDe}}{{\rm{c}}_i}, {\rm{EnvCas}}{{\rm{e}}_i}} \right) \le {\rho _{{\rm{dis}}}}$,则(EnvDeci, EnvCasei)∈EnvDec,得到案例匹配的决策要素集合EnvDec。

      3)判定要素集权重。在实际应用中,要素表示的详细程度与作战任务的相关度密切相关,按照作战任务特征区分战场环境数据集,分为作战任务相关与作战任务无关要素。对于要素集合EnvDec,根据专家经验设定整体相似度阈值${\rho _{{\rm{sim}}}}$,且决策类权重因子一定要大于所有作战任务相关要素类的权重,即决策要素类权重${W_j}$、关注要素类权重${W_g}$、无关要素类权重${W_n}$,满足$\left\{ {\begin{array}{*{20}{l}} {{W_j} = {\rm{max}}\left\{ {{W_g}} \right\}}\\ {{W_n} = {\rm{min}}\left\{ {{W_g}} \right\}} \end{array}} \right.$,以此通过权重因子遍历法得出局部最优匹配结果时的权重${\omega _{{c_1}}}, , {\omega _{{a_1}}}, , {\omega _{{f_1}}}$和$\omega $。

      4)确定匹配后的要素集。由权重因子和要素实体相似度计算整体相似度,确定匹配后的要素实体集合EnvAf,即:

      $${\rm{EnvAf}} = \left\{ {\left( {{c_i}, {c_j}} \right)\left| {\begin{array}{*{20}{l}} {\left( {{c_i}, {c_j}} \right) \in {\rm{EnvDec}}}\\ {{\rm{Di}}{{\rm{s}}_i} \le {\rho _{{\rm{dis}}}}}\\ {{\rm{Sim}}\left( {{c_i}, {c_j}} \right) \ge {\rho _{{\rm{sim}}}}} \end{array}} \right.} \right.$$ (10)

      为验证本文方法的可行性,以战场环境分析系统为实验平台,选取某作战任务区域战场环境数据为实验数据,收集不同时间阶段和空间范围下达的部队战术机动任务,并作出人工判定战场环境数据匹配,如表 1所示。

      表 1  部分实例查询

      Table 1.  Query for Part of Instances

      序号 实例
      1 任务区域A12,地面机动,2014-05-11 15:00:00—17:25:00,沿道路机动,通达性较好
      2 任务区域A10,地面机动,2014-07-15 09:20:00—12:05:00,沿道路隐蔽机动,通行性差,障碍区域多

      当作战任务需求更新后,从用户端上传新的作战任务需求至服务端,服务端根据作战任务的解析对已有的战场环境数据集进行概念语义相似性匹配,获取与作战任务相关的战场环境数据集并返回至用户端。在本实验中,根据前期样本数据集训练设定${\omega _t} = 0.18, {\omega _s} = 0.24, {\omega _p} = 0.58, {\rho _{{\rm{dis}}}} = 0.60$;${\omega _{{c_1}}} = 0.34, {\omega _{{a_1}}} = 0.47, {\omega _{{f_1}}} = 0.15, \omega = 0.04$;初步设定${\rho _{{\rm{sim}}}} = 0.65$。

      通过上述计算公式及参数得到表 1中实例2的实验结果如图 1所示,其中沿机动道路两侧的区域与隐蔽机动任务关联密切的地貌要素类较其他要素类显示更详细。由此可见,基于要素实体语义相似性来实现面向作战任务战场环境数据匹配,相比人工作业获取的数据集更完整、效率更高。采用本文方法与传统的人工方法在准确率和完整率上进行对比,结果如图 2所示。

      图  1  机动任务相关要素在三维图上分布实例

      Figure 1.  An Example of a Mobile Task Related Element Distribution on a Three-Dimensional Graph

      图  2  本文方法与人工方法的匹配指标对比

      Figure 2.  Comparison of Matching Indexes Between the Proposed Method and the Artificial Method

    • 面向作战任务的战场环境数据语义相似性分析为战场环境数据的组织、管理与访问提供了良好的运行机制,对各类战场环境保障系统的实现和应用具有现实意义。针对传统数据保障多是基于人工筛选与匹配的工作方式,缺乏作战任务驱动机制,难以满足作战环境下应急决策处置的需求,本文提出了一种基于作战任务本体的战场环境要素语义相似性计算方法,通过该方法建立了作战任务与战场环境数据之间的语义关联,从而简化了用户获取数据的方法,提高了数据查询检索的效率,并通过实例应用证明了其可行性。但是,由于作战任务的复杂性,构建作战任务本体库与案例库需要进一步的完善,同时如何对战场环境要素实体更好地形式化以及如何提高计算精度和效率需要进一步的研究与验证。

参考文献 (27)

目录

    /

    返回文章
    返回