CRF与规则相结合的军事命名实体识别研究

作战命令的分词是作战指令自动化生成、文图转换等各种指挥自动化技术的重要基础。在作战指令进行分词处理的过程中,军事命名实体的识别是技术难点之一。命名实体是信息的主要载体,它的识别是军事信息抽取的关键。提出了一种基于CRF模型与规则相结合的命名实体识别方法,结合基本特征与外部词典特征,提高了实体识别效率;在后期进行规则优化,最终实现高效的命名实体识别。实验证明,该方法是行之有效的。能够成功解决命名实体的自动识别问题。     

基于后缀向量拼接的军事装备命名实体识别

军事命名实体识别是军事知识图谱构建和装备实体画像的基础性和关键技术,该技术进一步为军事文本智能化处理、辅助决策和情报分析等任务提供支撑。基于后缀向量拼接的军事装备命名实体识别方法,针对中英文文本结构构成具有天然差异,中文文本缺少天然分割,加之军事装备别称较多,可能会造成识别的缺失等问题,提出利用文本字向量、词向量拼接实体后缀向量的方法,对军事装备实体进行识别和发现。通过实验验证方法的合理性和先进性。     

基于RoBERTa-Span-Attack的标签指针网络军事命名实体识别

军事领域文本中存在大量军事实体信息,准确识别这些信息是军事文本信息提取和构建军事知识图谱的基础性任务。首先,提出了一种基于RoBERTa预训练模型、跨度和对抗训练的标签指针网络的融合深度模型(RoBERTa-Span-Attack),用于中文军事命名实体识别;然后,采用了一种基于Span的标签指针网络,同时完成实体的起止位置和类别的识别任务;最后,在模型训练过程中加入对抗训练策略,通过添加一些扰动来生成对抗样本进行训练。在军事领域数据集上的实验结果表明：所提出的军事领域命名实体识别模型相较于BERT-CRF、BERT-Softmax和BERT-Span,在识别准确度上具有更优的效果。     

结合词语规则和 SVM 模型的军事命名实体关系抽取方法?

抽取作战文书中的军事命名实体关系，是实现作战文书语义理解的一种有效方法。在分析作战文书中军事命名实体词语规则的基础上，提出了一种结合词语规则和 SVM 模型的军事命名实体关系抽取方法。首先，使用词语规则整合作战文书中连续出现的军事命名实体并抽取其关系，使其更加适合 SVM 模型。然后，使用 SVM 模型对传统规则模板难以使用的词窗、词性和距离等特征进行建模，抽取军事命名实体关系。实验结果表明，优先利用词语规则能充分提高 SVM 模型抽取军事命名实体关系的效果，与单纯使用 SVM 模型相比，准确率和召回率分别提高了8．73％和41．71％。     

中文分词与命名实体识别的联合学习

将卷积结构引入循环神经网络,从而构建卷积循环神经网络。以此为基础,研究构建了面向中文分词与实体识别联合学习的序列标注模型。该模型依托卷积循环神经网络构建特征编码层,实现中文字序列局部空间特征和长距离时序依赖特征的联合提取;依托改进的循环神经网络构建标签解码层,实现标签序列长距离时序依赖的有效建模;依托统一的分词与实体识别序列标注模式实现分词信息与实体信息的联合学习,避免传统流水线法的误差传播问题。在人民日报语料和微软标注语料上的实验结果显示,该框架较传统统计模型和神经网络模型有显著的性能提升,尤其是在识别字数较多的命名实体时,其效果明显优于其他方法。     

基于联合隶属度的雷达辐射源识别

雷达辐射源识别是电子战支援系统(Electronic Support Measures,ESM)的重要功能之一,然而随着雷达技术的发展和军事对抗的加剧,雷达的工作参数复杂多变而且反侦察能力不断提高,使得现有的识别方法已不能满足战术需求。根据实际军事需求,建立了相应的识别模型,并通过引入先验知识和细化后的分类准则,提出了一种新的基于联合隶属度的识别方法。仿真实验表明,该方法具有良好的适用性和识别准确率。     

军事领域细粒度识别技术与应用

战争的信息化程度不断加深对军事侦察提出了更高要求。军事目标识别作为军事侦察的主要任务之一,需要能够处理细粒度军事目标,为人员提供更加详细的目标信息。但传统的粗粒度目标识别方法无法得到目标的细粒度信息。因此,如何识别细粒度目标成为目前军事侦察亟需解决的问题。针对该问题,本文结合军事领域的实际需求,对细粒度识别技术的发展现状进行了分析,提出了军事领域细粒度识别技术应用流程的数据集构建、模型设计和终端部署三个阶段,同时,从无人机侦察、遥感侦察和单兵侦察三个方向分析了细粒度识别的应用前景。经过分析,军事领域细粒度识别技术已经具备实际运用条件,具备良好的应用价值。     

基于粗集的神经网络在目标类型识别中的研究

为克服传统的目标类型识别方法的不足,提出将粗集和神经网络紧耦合建立新的识别模型,即经过识别信息预处理、样本数据粗集方法简化、神经网络学习训练及待识信息网络识别等步骤,充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验表明,该模型减少了识别的主观因素,简化了神经网络结构,提高了运算速度。     

基于OKNN的目标战术意图识别方法

战术级意图识别为指挥员理解战场态势,制定接下来的作战计划提供辅助决策。意图识别模型的构建是态势分析过程中实体行为建模的难点之一。针对传统战术意图识别方法中战场态势不确定性的集成与传递,以及推理模板固化问题,在以获取目标动态作战知识用于解释敌方作战行动过程中行动要素的基础上,构建了目标战术意图推理框架;根据作战计划制定特点,提出了基于作战知识神经网络(operation knowledge neural network,OKNN)的目标战术意图识别方法。OKNN以空中目标群为单位,通过实时动态建立基于作战知识的实体片段集来增强模型推理的灵活性,模型基于经验的训练样本计划库,可动态自适应的调整目标战术意图空间分布结果,大大消减了不确定性的集成与传递。最后通过仿真实验验证了模型的有效性。     

基于序列样本的威胁雷达信号识别方法

针对传统信号识别速度慢和对无法识别持续时间短的威胁雷达信号等问题,研究了信号序列样本构建方法和变步长匹配方法,提出了一种基于序列样本的威胁雷达信号识别方法。该方法根据先验知识构建雷达信号序列样本,采用变步长匹配法对脉冲流进行匹配识别,并对持续时间较短的雷达信号进行处理。仿真实验验证了基于样本序列的威胁雷达信号识别方法的有效性和可靠性,实验表明该方法对复杂环境和复杂体制雷达信号的适应能力强,正确匹配率高。     

军事装备概念图谱构建技术的应用与研究

知识图谱技术在科学统筹装备数据、整合繁杂的装备信息上有较好的效果.为解决通用知识图谱对装备实体的覆盖率不高、装备命名实体不规范的问题,提出了一种军事装备概念图谱构建的方法.该方法依托现有兵器库的结构化数据构建装备概念图谱,采用迭代学习的方法,以开放的多源数据为基础进行了装备实体的补全,确保了概念图谱的广度和精度.该技术不仅有助于提高机器对于装备的认知能力,也可作为本体库应用于装备知识图谱的构建.     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

深度多属性增强水声目标识别方法

被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%~18.2%,并且具有更好的识别稳定性。     

基于遗传算法的(n,n-1,m)卷积码盲识别

针对信息截获领域中(n,n-1,m)卷积码盲识别问题,提出基于遗传算法的盲识别方法。该方法在矩阵分析得到编码参数之后,利用遗传算法的全局搜索能力实现对基本校验多项式矩阵的精确识别,进而实现对基本生成多项式矩阵的识别。仿真表明:该方法能够在高误码条件下实现对(n,n-1,m)卷积码的盲识别,且运算量相对于以往的高容错识别方法得到降低。     

基于MEBN的战术级空中目标意图识别

战术级空中目标意图识别是现代化防空作战中理解战场态势、预测目标行动的关键.构建空中目标意图识别模型的核心问题是如何表示不确定的意图因素以及它们之间的关系.分析了具有典型防空作战意义的想定,并结合军事经验总结了影响意图识别的因素.提出了应用多实体贝叶斯网络(Multi-Entities Bayesian Network)描述空中目标意图,在贝叶斯推理中融入逻辑理论,采用具体的基于知识的SSBN构建算法动态地进行空中目标意图识别.通过仿真实验,验证了此方法的有效性和可行性.     

主动学习与自学习的中文命名实体识别

命名实体识别是信息抽取中的一项基础性任务,如何利用丰富的未标注语料来提高实体识别的指标是该领域一个重要的研究方向。基于条件随机场提出一种将主动学习与自学习相结合的方法——SACRF,通过设置置信度函数和2-Gram频度阈值来选取样本,并采用人工与自动相结合的方式进行标注来扩展训练语料。实验表明,该方法在提高实体识别的精确率和召回率的同时,能够显著地降低人工标注的工作量。     

一种基于支持向量机的无源雷达目标识别方法

针对传统的无源雷达目标识别系统存在的不足,提出了一种新的基于模式识别的目标识别方法。在提取雷达辐射源信号熵特征的基础上,设计支持向量机(SVM)分类器完成目标的分类识别。理论分析和实验结果表明,提出的方法在较大信噪比范围内均能获得比较满意的识别率及识别效率,优于传统的基于常规特征参数的识别方法。     

信息时代的军事供应链运作

20世纪后期新技术革命所导致的技术大融合和全球化趋势,使新的战争形态——信息化战争登上了历史舞台。信息化战争对后勤保障的要求空前提升,这就必然导致对传统后勤保障技术、理论、领域、心理、习惯等界线的突破。军事供应链成为与信息时代相对应的军事后勤形态是战争形态演变以及现代科技和先进管理方法在军事后勤领域广泛应用的必然结果。军事供应链是军事后勤保障过程中所涉及的军队内部和军队外部的(分属于军队后勤和国家后勤的)所有实体,以及由实体的活动与相互关系构成的网络系统。实体的活动和相互关系体现为网络系统中的物流、信…     

基于显著性检测与特征匹配的目标识别方法

为加强目标识别的可靠性,提出了一种基于显著性检测与特征匹配的目标识别方法。提出了改进的显著性检测方法提取显著性目标,利用改进的特征检测子与快速视网膜特征描述子(Fast Retina Keypoint,FREAK)对目标与模板库进行并行匹配,最后根据平均匹配率完成目标识别。实验结果表明,改进的显著性检测方法较传统方法具有更高的检测精度和目标完整性,改进的特征检测子较传统方法具有更强的鲁棒性与实时性,基于显著性检测与特征匹配的目标识别方法能够实现可靠性较强的目标实时识别。     

陆战场装甲目标细粒度识别技术

智能化作为新的改变战争游戏规则的颠覆性技术,成为世界各军事强国的发展重点。当前,智能化可以实现对陆战场军事装甲目标的自动识别,但是现有识别任务主要是粗粒度的目标类别识别,缺乏细粒度的目标识别。本文针对陆战场军事装甲目标细粒度识别任务,提出了一种适用于无人作战平台的轻量化细粒度目标识别方法,并初步验证了方法的可行性和有效性,基于此,提出了无人作战平台的新的作战运用。该方法可辅助操作人员进行陆战场装甲目标识别的决策判断,或提供无人打击武器自主打击的判断能力。