一种基于GCN的无人机任务规划知识推理方法

一种基于gcn的无人机任务规划知识推理方法
技术领域
1.本发明属于无人机技术领域，涉及一种基于gcn的无人机任务规划知识推理方法。


背景技术：

2.近年来，无人机因为其成本低、隐蔽性强及易部署等优点在军民领域得到广泛的应用。无人机任务规划技术基于无人机的功能性能、环境条件及任务需求等因素确定无人机任务执行策略，是实现无人机高效任务执行的关键技术。无人机任务规划面临着环境、任务及设备数据高度动态异构、多样化的挑战，此外，海量数据存储分散且缺乏联系，信息共享困难，难以满足高复杂度和集成度的自主任务规划需求。针对广域高动态差异化无人机任务规划场景，研究高效知识推理方法，解决复杂任务环境下无人机自主知识挖掘、知识刻画及知识推演成为亟待解决的重要问题。
3.目前已有文章针对无人机任务规划知识推理进行研究，如提出了一种基于知识图谱的无人机集群目标推演技术；但现有研究较少考虑基于transh模型和图神经网络的任务规划知识推理方法。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于gcn的无人机任务规划知识推理方法。针对无人机任务规划系统所抽取的知识，使用transh模型对知识进行向量表示，建模特征向量更新函数和得分函数，通过邻居节点和当前的信息更新下一层的特征向量，基于线性变换获得最终的特征向量，比较分数的高低，实现无人机任务规划的实体分类和关系预测。
5.为达到上述目的，本发明提供如下技术方案：
6.一种基于gcn的无人机任务规划知识推理方法，该方法包括以下步骤：
7.s1：无人机任务规划系统知识抽取；
8.s2：基于transh得到无人机任务规划知识的向量表示；
9.s3：构建无人机任务规划知识图谱的邻接矩阵；
10.s4：初始化特征矩阵；
11.s5：gcn特征向量更新；
12.s6：基于块对角分解的gcn权重系数正则化；
13.s7：基于全连接层实现实体分类；
14.s8：建模sigmoid函数实现链接预测。
15.可选的，在所述s1中，无人机任务规划系统知识抽取，具体为：采用实体识别和关系抽取技术提取无人机任务规划系统中的实体和关系，针对数据库或链接数据采用图映射及d2r方法将数据表示为三元组形式，对于表格和列表的半结构数据采用专用包装器将其表示为三元组，对于非结构化数据采用深度学习方法进行数据抽取；将所抽取无人机任务规划数据表示为三元组(h,r,t)的形式，其中h和t分别为头实体和尾实体，r为两者的关系，系统实体包括无人机、任务及环境，实体属性包括无人机类型、位置、飞行速度和方向。
16.可选的，在所述s3中，基于transh得到无人机任务规划知识的向量表示，具体为：令ei表示实体(节点)i的向量表示，wr表示关系r的超平面法向量，基于transh将实体向量投影到与关系向量垂直的超平面上，得令fr(ei,ej)表示三元组(ei,dr,ej)的损失函数，建模为其中，dr表示关系r的平移向量，1≤i,j≤n，n为节点的数量。
17.可选的，在所述s3中，构建无人机任务规划知识图谱的邻接矩阵，具体为：令a＝[a
ij
]表示知识图谱的邻接矩阵，若节点i和节点j相连，a
ij
＝1，否则，a
ij
＝0。
[0018]
可选的，在所述s4中，初始化特征矩阵，具体为：令表示节点i在第l层的特征向量，1≤l≤l，l为图卷积层的个数，采用transh得到的实体向量对进行赋值，即
[0019]
可选的，在所述s5中，gcn特征向量更新，具体为：gcn的特征向量更新函数为：其中表示节点i在第l层的特征向量，n(i)＝{j|a
ij
＝1}表示节点i的邻居集合，和分别表示关系r位于gcn的第l层的权重矩阵和偏置向量，其中，σ是激活函数，建模为relu函数。
[0020]
可选的，在所述s6中，基于块对角分解的gcn权重系数正则化，具体为：令表示对应关系r在第l层的第b个低维矩阵，1≤b≤b,其中，b表示低维矩阵的数量，将分解为的直和，即
[0021]
可选的，在所述s7中，基于全连接层实现实体分类，具体为：通过建模线性变换实现全连接层，令表示节点i的输出层特征向量，定义为其中wo和bo分别表示输出层的权重矩阵和偏置向量；经过全连接层得到特征向量使用激活函数对进行处理，将处理的结果作为softmax函数的输入，得到每个类别的概率分布，定义为：其中exp(x)表示自然指数函数。
[0022]
可选的，在所述s8中，建模sigmoid函数实现链接预测，具体为：利用分类器对三元组的进行验证，令y
h,r,t
表示三元组的得分，建模为：其中，g(x)为sigmoid函数，定义为：
[0023]
本发明的有益效果在于：本发明将transh和gcn结合来进行实体分类和关系预测，通过块对角分解对gcn的权重参数进行正则化，实现无人机任务规划的知识推理并利用这些处理后的特征向量和分数来对无人机任务规划系统进行进一步的分析和应用。
[0024]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0025]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0026]
图1为单个节点的gcn知识推理示意图；
[0027]
图2为本发明所述方法的流程示意图。
具体实施方式
[0028]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0029]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0030]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0031]
图1为基于gcn的无人机任务规划知识推理示意图，如图所示，针对无人机任务规划系统的数据，进行知识抽取得到包含实体、关系和属性的三元组(h,r,t)。利用transh模型将三元组转换成向量表示，将节点特征向量和邻接矩阵作为图卷积网络(gcn)的输入。在经过多层卷积和激活函数(如relu)处理后，可得到最终的特征向量。然后，通过建立全连接层对实体进行分类，并利用sigmoid函数对三元组的分数进行建模。
[0032]
图2为本发明所述方法的流程示意图，如图所示，本发明所述方法具体包括以下步骤：
[0033]
1)无人机任务规划系统知识抽取
[0034]
采用实体识别和关系抽取技术提取无人机任务规划系统中的实体和关系，针对数据库或链接数据等文本数据采用图映射及d2r方法将数据表示为三元组形式，对于表格、列表等半结构数据采用专用包装器将其表示为三元组，对于非结构化数据采用深度学习方法进行数据抽取；将所抽取无人机任务规划数据表示为三元组(h,r,t)的形式，其中h和t分别为头实体和尾实体，r为两者的关系，系统实体包括无人机、任务及环境等，实体属性包括无人机类型、位置、飞行速度和方向等。
[0035]
2)基于transh得到无人机任务规划知识的向量表示
[0036]
令ei表示实体(节点)i的向量表示，wr表示关系r的超平面法向量，基于transh将实
体向量投影到与关系向量垂直的超平面上，可得令fr(ei,ej)表示三元组(ei,dr,ej)的损失函数，建模为其中，dr表示关系r的平移向量，1≤i,j≤n，n为节点的数量。
[0037]
3)构建无人机任务规划知识图谱的邻接矩阵
[0038]
令a＝[a
ij
]表示知识图谱的邻接矩阵，若节点i和节点j相连，a
ij
＝1，否则，a
ij
＝0。
[0039]
4)初始化特征矩阵
[0040]
令表示节点i在第l层的特征向量，1≤l≤l，l为图卷积层的个数，采用transh得到的实体向量对进行赋值，即
[0041]
5)gcn特征向量更新
[0042]
gcn的特征向量更新函数为：其中表示节点i在第l层的特征向量，n(i)＝{j|a
ij
＝1}表示节点i的邻居集合，和分别表示关系r位于gcn的第l层的权重矩阵和偏置向量，其中，σ是激活函数，建模为relu函数。
[0043]
6)基于块对角分解的gcn权重系数正则化
[0044]
令表示对应关系r在第l层的第b个低维矩阵，1≤b≤b,其中，b表示低维矩阵的数量，将分解为的直和，即
[0045]
7)基于全连接层实现实体分类；
[0046]
基于全连接层实现实体分类，具体为：通过建模线性变换实现全连接层，令表示节点i的输出层特征向量，定义为其中wo和bo分别表示输出层的权重矩阵和偏置向量；经过全连接层得到特征向量使用激活函数对进行处理，将处理的结果作为softmax函数的输入，得到每个类别的概率分布，定义为：其中exp(x)表示自然指数函数。
[0047]
8)建模sigmoid函数实现链接预测。
[0048]
用分类器对三元组的进行验证，令y
h,r,t
表示三元组的得分，建模为：其中，g(x)为sigmoid函数，定义为：
[0049]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于gcn的无人机任务规划知识推理方法，其特征在于：该方法包括以下步骤：s1：无人机任务规划系统知识抽取；s2：基于transh得到无人机任务规划知识的向量表示；s3：构建无人机任务规划知识图谱的邻接矩阵；s4：初始化特征矩阵；s5：gcn特征向量更新；s6：基于块对角分解的gcn权重系数正则化；s7：基于全连接层实现实体分类；s8：建模sigmoid函数实现链接预测。2.根据权利要求1所述的一种基于gcn的无人机任务规划知识推理方法，其特征在于：在所述s1中，无人机任务规划系统知识抽取，具体为：采用实体识别和关系抽取技术提取无人机任务规划系统中的实体和关系，针对数据库或链接数据采用图映射及d2r方法将数据表示为三元组形式，对于表格和列表的半结构数据采用专用包装器将其表示为三元组，对于非结构化数据采用深度学习方法进行数据抽取；将所抽取无人机任务规划数据表示为三元组(h,r,t)的形式，其中h和t分别为头实体和尾实体，r为两者的关系，系统实体包括无人机、任务及环境，实体属性包括无人机类型、位置、飞行速度和方向。3.根据权利要求1所述的一种基于gcn的无人机任务规划知识推理方法，其特征在于：在所述s3中，基于transh得到无人机任务规划知识的向量表示，具体为：令e
i
表示实体(节点)i的向量表示，w
r
表示关系r的超平面法向量，基于transh将实体向量投影到与关系向量垂直的超平面上，得令f
r
(e
i
,e
j
)表示三元组(e
i
,d
r
,e
j
)的损失函数，建模为其中，d
r
表示关系r的平移向量，1≤i,j≤n，n为节点的数量。4.根据权利要求1所述的一种基于gcn的无人机任务规划知识推理方法，其特征在于：在所述s3中，构建无人机任务规划知识图谱的邻接矩阵，具体为：令a＝[a
ij
]表示知识图谱的邻接矩阵，若节点i和节点j相连，a
ij
＝1，否则，a
ij
＝0。5.根据权利要求1所述的一种基于gcn的无人机任务规划知识推理方法，其特征在于：在所述s4中，初始化特征矩阵，具体为：令表示节点i在第l层的特征向量，1≤l≤l，l为图卷积层的个数，采用trans h得到的实体向量对进行赋值，即6.根据权利要求1所述的一种基于gcn的无人机任务规划知识推理方法，其特征在于：在所述s5中，gcn特征向量更新，具体为：gcn的特征向量更新函数为：其中表示节点i在第l层的特征向量，n(i)＝{j|a
ij
＝1}表示节点i的邻居集合，和分别表示关系r位于gcn的第l层的权重矩阵和偏置向量，其中，σ是激活函数，建模为relu函数。7.根据权利要求1所述的一种基于gcn的无人机任务规划知识推理方法，其特征在于：在所述s6中，基于块对角分解的gcn权重系数正则化，具体为：令表示对应关系r在第l层的第b个低维矩阵，1≤b≤b,其中，b表示低维矩阵的数量，将分解为的直和，即
8.根据权利要求1所述的一种基于gcn的无人机任务规划知识推理方法，其特征在于：在所述s7中，基于全连接层实现实体分类，具体为：通过建模线性变换实现全连接层，令表示节点i的输出层特征向量，定义为其中w
o
和b
o
分别表示输出层的权重矩阵和偏置向量；经过全连接层得到特征向量使用激活函数对进行处理，将处理的结果作为softmax函数的输入，得到每个类别的概率分布，定义为：其中exp(x)表示自然指数函数。9.根据权利要求1所述的一种基于gcn的无人机任务规划知识推理方法，其特征在于：在所述s8中，建模sigmoid函数实现链接预测，具体为：利用分类器对三元组的进行验证，令y
h,r,t
表示三元组的得分，建模为：其中，g(x)为sigmoid函数，定义为：

技术总结
本发明涉及一种基于GCN的无人机任务规划知识推理方法，属于无人机技术领域。该方法包括以下步骤：S1：无人机任务规划系统知识抽取；S2：基于TransH得到无人机任务规划知识的向量表示；S3：构建无人机任务规划知识图谱的邻接矩阵；S4：初始化特征矩阵；S5：GCN特征向量更新；S6：基于块对角分解的GCN权重系数正则化；S7：基于全连接层实现实体分类；S8：建模Sigmoid函数实现链接预测。Sigmoid函数实现链接预测。Sigmoid函数实现链接预测。


技术研发人员：柴蓉 段晓芳 邱江 陈前斌
受保护的技术使用者：重庆邮电大学
技术研发日：2023.07.17
技术公布日：2023/10/15