(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210116918.7 (22)申请日 2022.02.08 (65)同一申请的已公布的文献号 申请公布号 CN 114139550 A (43)申请公布日 2022.03.04 (73)专利权人 中国电子科技 集团公司第五十四 研究所 地址 050081 河北省石家庄市桥西区中山 西路589号第54研究所航天信息应用 技术重点实验室 (72)发明人 耿虎军　张文宝　楚博策　王梅瑞　 韩长兴　高晓倩　孟楠　姜岩松　 高峰　 (74)专利代理 机构 河北东尚律师事务所 13124 专利代理师 王文庆　曲佳颖 (51)Int.Cl. G06F 40/30(2020.01) G06N 7/00(2006.01)G06N 5/04(2006.01) (56)对比文件 CN 110930024 A,2020.0 3.27 CN 110287941 A,2019.09.27 CN 103488886 A,2014.01.01 戚茜.不确定环境下融合语义的无 人机编队 协同控制研究. 《计算机 应用与软件》 .2020,(第 06期), 李晓宾等.模糊动态贝叶斯网络防御态势感 知模型. 《探测与控制学报》 .2017,(第0 3期), 彭若恒等.面向 战场态势分析的知识体系及 表示方法研究. 《现代导 航》 .2020,(第02期), Giovanni Pilato 等.I ntegrati on of Ontologies and Bayesian Netw orks for Maritime Situati on Awarenes s. 《2012 IE EE Sixth Internati onal Conference o n Semantic Computi ng》 .2012,第170 -177页. 审查员 孙巍巍 (54)发明名称 一种基于活动语义文本消息的态势智能认 知方法 (57)摘要 本发明提供一种基于活动语义文本消息的 态势智能认知方法， 属于对抗语义态势认知领 域。 通过解析描述态势要素的行为状态语义消息 数据， 抽取其中蕴含的深层态势语义并在语义 层， 实现对抗态势信息的深度融合。 在结合相关 知识的基础上， 构造对抗中典型目标典型行为活 动的语义表达模式， 并在此基础上对对抗局势的 演化趋势进行语义推理， 构建全局对抗态势的智 能认知模型， 借助构建的态势认知模 型输出意图 识别、 威胁评估等态势认知语义结果， 辅助指挥 决策人员对全局态势的快速、 深度、 全面的理解。 权利要求书2页 说明书5页 附图2页 CN 114139550 B 2022.05.06 CN 114139550 B 1.一种基于活动语义文本消息的态 势智能认知方法， 其特 征在于， 包 含以下步骤： （1） 基于正则表达 式， 对输入的浅层态势语义态势消息的消息主体、 时空属性和行为状 态的内涵在语义层进行关联融合， 构建语义消息内容理解框架， 并解析输入的浅层态势语 义态势消息中包含的各类态势要素属 性的动态变化； 其中， 浅层态势语义态势消息内容包 括复杂对抗场景中对敌方单元行为状态的语义消息、 敌方单元基本属 性的语义消息、 敌方 担负任务的语义消息以及交战环境的语义描述； （2） 基于步骤 （1） 中对语义消息内容理解框架的处理结果， 定义不确定事件本体模型， 之后针对各类态势要 素的随机动态变化， 对各类随机不确定事件的触发要 素以及可能结果 进行概率扩展， 构建概 率扩展的不确定事 件模型； （3） 基于步骤 （2） 构建的概率扩展的不确定事件模型， 对事件发生的不确定性、 事件演 变过程的不确定性和事 件影响的不确定性进行抽象建模， 构建静态事 件贝叶斯网络； （4） 根据任务、 子任务序列以及各任务主体间的交互判断当前所处任务阶段， 并以此为 轴， 在步骤 （3） 中静态事件贝叶斯网络的基础上， 将各动态事件与各任务所处阶段相结合， 构建任务语义动态贝叶斯网络模型， 推断各态 势要素状态的未来变化趋势； （5） 基于步骤 （4） 中任务语义动态贝叶斯网络的推理结果， 对敌方单元的任务遂行阶段 进行评估， 并对敌方 单元的部署态 势、 行为活动以及活动意图进行 预测； （6） 结合己方各战略目标的分布与己方兵力的部署状态， 在对敌方单元部署态势、 行为 活动以及活动意图的预测结果上， 对敌方威胁态 势进行评估； （7） 将步骤 （5） 与 步骤 （6） 中的敌方单元的部署态势、 行为活动预测、 活动意图预测以及 威胁态势预测的结果以语义消息的形式输出。 2.根据权利要求1所述的基于活动语义文本消息的态势智能认知方法， 其特征在于， 步 骤 （2） 包括如下步骤： （201） 结合专家知识刻画不确定事件领域中的态势要素和要素间的相互关系， 建立不 确定事件本体模型； 其中， 不确定事件包含环境类不确定事件、 要素状态缓变类事件、 要素 状态突变 类事件和对抗活动类不确定事 件； （202） 在步骤 （201） 构建的不确定事件本体模型基础上， 依据专家知识进行概率扩展， 得到概率扩展的不确定事件本体模型； 其中概率扩展过程为： 构建模糊隶属关系矩阵对每 个事件的触发要素、 发生概率以及对涉及态势要素状态属 性的影响程度进行量化； 其中专 家知识包括建筑工事的抗毁损性、 装甲单位的抗毁损性以及武器与人员的杀伤性能。 3.根据权利要求1所述的基于活动语义文本消息的态势智能认知方法， 其特征在于， 步 骤 （3） 具体过程 为： 依据步骤 （2） 中建立的概率扩展的不确定事件模型， 构建贝叶斯网络的节点， 基于各事 件的触发要素、 发生概率以及对涉及要素状态属 性的影响， 构建贝叶斯网络节点的条件概 率， 形成静态事件贝叶斯网络； 其中， 节点的条件概率包含态势要素与子事件、 子事件与子 事件、 子事件与父事 件以及父事 件与父事 件间的互相影响转移概 率。 4.根据权利要求1所述的基于活动语义文本消息的态势智能认知方法， 其特征在于， 步 骤 （4） 包括如下步骤： （401） 通过专家经验或数据学习， 根据任务、 子任务序列以及各任务主体间的交互， 从 敌我兵力对比、 敌我关键阵地的占领对比以及敌我任务 目的达成情况进行判别， 判别当前权　利　要　求　书 1/2 页 2 CN 114139550 B 2对抗局势所处任务阶段； （402） 根据步骤 （401） 得到的当前对抗局势所处任务阶段， 对当前各不确定事件的触发 概率以及各类事件对态势要素状态属性的影响程度， 构造静态事件贝叶斯网络内的节点间 条件概率状态转移概 率矩阵， 即对抗局势状态转移概 率矩阵； （403） 在步骤 （3） 中的静态事件贝叶斯网络基础上， 以对抗局势所处战略阶段为轴， 结 合对抗局势状态转移 概率矩阵， 构建任务语义动态贝叶斯网络模型； 其中， 在同一任务阶段 切片内， 贝叶斯网络的拓扑 结构、 节点变量 集和节点变量内部因果关系保持不变； （404） 结合任务语义动态贝叶斯网络模型， 对涉及到的各类态势要素的状态变化进行 推理。权　利　要　求　书 2/2 页 3 CN 114139550 B 3