论文部分内容阅读
摘 要：在雷达目标识别应用领域，为提升雷达目标识别精度，我们构建了一种基于目标特性知识图谱。主要是描述面向雷达目标识别领域的行业知识图谱技术，我们抽取雷达目标识别领域所具有的特定实体与特定关系，并在此基础上完成语义网络的构建。该语义网络中包含雷达目标识别目标特性知识，对提升雷达目标识别能力提供一种解决思路。
关键词：雷达目标识别;知识图谱;知识抽取;目标特征
中图分类号：TP391.1 文献标识码：A DOI：10.3969/j.issn.1003-6970.2021.03.045
本文著录格式：王斌.面向雷达目标识别领域的知识图谱构建技术[J].软件，2021，42（03）：156-157
Knowledge Graph Construction Technology for Radar Target Recognition
WANG Bin1，2，3
（1.The 38th Research Institute of China Electronics Technology Group Corporation， Hefei Anhui 230088;
2.Key Laboratory of Aperture Array and Space Application， Hefei Anhui 230088;
3.Key Laboratory of Intelligent Information Processing， Hefei Anhui 230088）
【Abstract】：In the application field of radar target recognition， in order to improve the accuracy of radar target recognition， we have constructed a knowledge map based on target characteristics. Mainly to describe the industry knowledge graph technology for the radar target recognition field. We extract specific entities and specific relationships in the radar target recognition field， and complete the construction of the semantic network on this basis. The semantic network contains knowledge of target characteristics of radar target recognition， which provides a solution for improving the ability of radar target recognition.
【Key words】：radar target recognition;knowledge graph;knowledge extraction;target feature
1知识图谱内涵
知识图谱（Knowledge Graph）主要是用来描述真实客观世界中不同实体之间的定义以及概念，同时对不同实体之间联系进行挖掘、分析和表达，并构建实体与实体之间的相互关系[1-2]。最早是2012年谷歌公司提出“知识图谱”的基本概念，用于支撑其公司搜索引擎的语义搜索建立的知识库。随着互联网科技的快速发展，新一代人工智能的广泛应用，知识图谱的内涵越来越丰富。
根据知识图谱中所涉及的知识类型不同，可以将知识图谱分为通用知识图谱（GKG，General-purpose Knowledge Graph）和垂直领域或行业领域知识图谱（DKG，Domain-specific Knowledge Graph），其中二者注意区别是其所涵盖的知识体系不同，如表1所示。
本论文主要是描述面向雷达目标识别领域的行业知识图谱技术，我们抽取雷达目标识别领域所具有的特定实体与特定关系，并在此基础上完成语义网络的构建。该语义网络中包含雷达目标识别目标特性知识，具有很强的针对性和专门性，因此对目标特性知识的准确性和精度要求相对较高。
2雷达目标识别
雷达目标识别主要是通过雷达传感器对目标进行探测，获得雷达目标回波数据，通过对目标回波数据进行分析，提取目标特征信息，利用模式识别方法对目标特征进行统计分析，结合分类判别方法，从而实现对目标进行类型和属性判决[3]。
雷达目标识别主要包含三个过程：首先是对目标数据进行获取、其次对目标进行有效特征提取，最后是对目标进行分类和属性判决。在整个目标识别过程中，为了提升目标识别准确率，我們需要构建完备的目标特性数据库。通过大量采集雷达目标回波数据以及建立目标仿真电磁模型，从而建立更加完备的目标特性数据库，但是目前目标特性数据库主要是结构化的目标散射特性以及运动特性数据，很难描述目标特性数据之间隐含的内在关联关系，基于这个背景下，我们通过构建目标识别的特性知识图谱，建立一种新型的雷达目标识别目标特性知识图谱，为雷达目标识别识别率能力提升提供基本支撑。
3知识图谱构建方法
雷达目标识别知识图谱是以图的形式实现对不同目标对象和雷达探测环境以及目标运动状态轨迹的语义关系进行描述的一种方法，包括模式层和数据层，其构建可以采用由模式层到数据层的自上而下方法，也可以采用由数据层到模式层的自下而上方法。
雷达目标识别知识图谱的体系架构如图1所示。其中虚线框内的部分为知识图谱的构建过程，也包含知识图谱的更新迭代过程。知识图谱构建从最原始的数据出发，采用一系列自动或者半自动的技术手段，从雷达目标特性数据或者其他途径得到的目标特性数据中提取知识，并将其存入知识库的数据层和模式层，这一过程包含：信息抽取、知识表示、知识融合、知识推理四个过程，每一次更新迭代均包含这四个阶段[3-4]。知识图谱主要有自顶向下与自底向上两种构建方式。自顶向下指的是先为雷达目标识别知识图谱定义好本体与数据模式，再将目标实体加入到知识库。该构建方式需要利用一些现有的结构化知识库作为其基础知识库。自底向上指的是从外部数据库中提取一些目标数据，并将其提前加入到知识库，再构建顶层的本体模式。
参考文献
[1] 徐增林，盛泳潘，贺丽荣，等.知识图谱技术综述[J].电子科技大学学报，2016，45（4）：589-606.
[2] 刘峤，李杨，杨段宏，等.知识图谱构建技术综述[J].计算机研究与发展，2016，53（3）：582-600.
[3] 徐健，张智雄，吴振新.实体关系抽取的技术方法综述[J].现代图书情报技术，2008（8）：18-23.
[4] 严红，黄颖，应励志.面向军事信息系统结构化数据的信息汇聚方法[J].指挥信息系统与技术，2015（6）：29-34.
关键词：雷达目标识别;知识图谱;知识抽取;目标特征
中图分类号：TP391.1 文献标识码：A DOI：10.3969/j.issn.1003-6970.2021.03.045
本文著录格式：王斌.面向雷达目标识别领域的知识图谱构建技术[J].软件，2021，42（03）：156-157
Knowledge Graph Construction Technology for Radar Target Recognition
WANG Bin1，2，3
（1.The 38th Research Institute of China Electronics Technology Group Corporation， Hefei Anhui 230088;
2.Key Laboratory of Aperture Array and Space Application， Hefei Anhui 230088;
3.Key Laboratory of Intelligent Information Processing， Hefei Anhui 230088）
【Abstract】：In the application field of radar target recognition， in order to improve the accuracy of radar target recognition， we have constructed a knowledge map based on target characteristics. Mainly to describe the industry knowledge graph technology for the radar target recognition field. We extract specific entities and specific relationships in the radar target recognition field， and complete the construction of the semantic network on this basis. The semantic network contains knowledge of target characteristics of radar target recognition， which provides a solution for improving the ability of radar target recognition.
【Key words】：radar target recognition;knowledge graph;knowledge extraction;target feature
1知识图谱内涵
知识图谱（Knowledge Graph）主要是用来描述真实客观世界中不同实体之间的定义以及概念，同时对不同实体之间联系进行挖掘、分析和表达，并构建实体与实体之间的相互关系[1-2]。最早是2012年谷歌公司提出“知识图谱”的基本概念，用于支撑其公司搜索引擎的语义搜索建立的知识库。随着互联网科技的快速发展，新一代人工智能的广泛应用，知识图谱的内涵越来越丰富。
根据知识图谱中所涉及的知识类型不同，可以将知识图谱分为通用知识图谱（GKG，General-purpose Knowledge Graph）和垂直领域或行业领域知识图谱（DKG，Domain-specific Knowledge Graph），其中二者注意区别是其所涵盖的知识体系不同，如表1所示。
本论文主要是描述面向雷达目标识别领域的行业知识图谱技术，我们抽取雷达目标识别领域所具有的特定实体与特定关系，并在此基础上完成语义网络的构建。该语义网络中包含雷达目标识别目标特性知识，具有很强的针对性和专门性，因此对目标特性知识的准确性和精度要求相对较高。
2雷达目标识别
雷达目标识别主要是通过雷达传感器对目标进行探测，获得雷达目标回波数据，通过对目标回波数据进行分析，提取目标特征信息，利用模式识别方法对目标特征进行统计分析，结合分类判别方法，从而实现对目标进行类型和属性判决[3]。
雷达目标识别主要包含三个过程：首先是对目标数据进行获取、其次对目标进行有效特征提取，最后是对目标进行分类和属性判决。在整个目标识别过程中，为了提升目标识别准确率，我們需要构建完备的目标特性数据库。通过大量采集雷达目标回波数据以及建立目标仿真电磁模型，从而建立更加完备的目标特性数据库，但是目前目标特性数据库主要是结构化的目标散射特性以及运动特性数据，很难描述目标特性数据之间隐含的内在关联关系，基于这个背景下，我们通过构建目标识别的特性知识图谱，建立一种新型的雷达目标识别目标特性知识图谱，为雷达目标识别识别率能力提升提供基本支撑。
3知识图谱构建方法
雷达目标识别知识图谱是以图的形式实现对不同目标对象和雷达探测环境以及目标运动状态轨迹的语义关系进行描述的一种方法，包括模式层和数据层，其构建可以采用由模式层到数据层的自上而下方法，也可以采用由数据层到模式层的自下而上方法。
雷达目标识别知识图谱的体系架构如图1所示。其中虚线框内的部分为知识图谱的构建过程，也包含知识图谱的更新迭代过程。知识图谱构建从最原始的数据出发，采用一系列自动或者半自动的技术手段，从雷达目标特性数据或者其他途径得到的目标特性数据中提取知识，并将其存入知识库的数据层和模式层，这一过程包含：信息抽取、知识表示、知识融合、知识推理四个过程，每一次更新迭代均包含这四个阶段[3-4]。知识图谱主要有自顶向下与自底向上两种构建方式。自顶向下指的是先为雷达目标识别知识图谱定义好本体与数据模式，再将目标实体加入到知识库。该构建方式需要利用一些现有的结构化知识库作为其基础知识库。自底向上指的是从外部数据库中提取一些目标数据，并将其提前加入到知识库，再构建顶层的本体模式。
参考文献
[1] 徐增林，盛泳潘，贺丽荣，等.知识图谱技术综述[J].电子科技大学学报，2016，45（4）：589-606.
[2] 刘峤，李杨，杨段宏，等.知识图谱构建技术综述[J].计算机研究与发展，2016，53（3）：582-600.
[3] 徐健，张智雄，吴振新.实体关系抽取的技术方法综述[J].现代图书情报技术，2008（8）：18-23.
[4] 严红，黄颖，应励志.面向军事信息系统结构化数据的信息汇聚方法[J].指挥信息系统与技术，2015（6）：29-34.