基于知识推理和兴趣区域过滤的军事标图作业评判方法

张俊峰，窦长旭，陈企华，张 扬

（1.解放军32370 部队，北京 100091；2.华北计算技术研究所，北京 100083）

0 引言

军事标图是指将敌我双方军事活动的有关情况，用军标符号和文字标记的方式描述在数字地图等载体中。在信息化作战条件下，标绘要图是描述敌我双方态势、反映作战决心、组织指挥的重要手段，是指挥员和参谋人员应具备的业务技能。在训练考核中，计算机标图作业一般以人工评判为主，如何利用信息化手段，客观、准确、快捷地评判标图作业是需要研究的重点问题。

军队标号是军事标图中的基本元素，由队标和队号组成的符号系统。队标用以表示军队的一切活动、各种兵器、器材和各种设施，在地图上的表现形式是图形；队号用以注明军队番号的数字和代字，以代字、文字和数字的形式表示。标图作业的评判主要是针对标号的评判，对比图形相似度和标号属性两个方面。传统的评判仅靠肉眼将标准答案和考生答案进行比对获得结果，评判效率低，人为因素多；计算机评判标准统一，较人工评判有不可比拟的速度优势，但也存在很大的挑战：1）图形相似，但是含义不同，不易识别；2）标绘方式不同，但是图形显示相同；3）针对不同作业条件，评判标准也不同。计算机评判一方面要规避人工评判的问题，提高工作效率；另一方面要融入专家知识，避免评判标准呆板，实用性、智能化程度不高的问题。

研究标图的文献较多，文献［1］提出一种基于ArcGIS 图元的非规则军标描述方法；文献［2］提出基于SVG 的标图符号设计方法，用于缩短标图符号设计周期、减少数据冗余；文献［3］阐述了通用标图软件中态势标绘管理层的设计与实现。上述文献均未涉及有关标图评判的内容。文献［4］区分图幅整饰判定、军标判定及要图布局等类型，利用动态加载规则的方式进行标号判定，比较系统地梳理了标图判定的各要素，但是其尚未触及同一标号标绘方式不同等情况产生的评判问题，评判的适用性、准确性需要进一步研究。

在把握标图作业一般特点和规律的基础上，利用知识推理技术将专家知识和军事规则融入到评判过程中，同时采用兴趣区域过滤等方法提高评判的精确度，实现针对标图作业的定量化、智能化评判。

1 基于知识推理的评判方法

知识推理的基本原理是将军事领域的规则、专家经验定义为知识，利用逻辑的形式符号化，通过逻辑推理得出具体结果。常见的方式有基于规则推理（rule-based reasoning，RBR）［5］和基于案例推理［6］（case-based reasoning，CBR）。基于规则推理是将知识以规则的形式表达，进而制定规则库，规则库中包含着变换规则，可将问题从初始状态转换成目标状态，从既有事实中推理出隐含结论。标图作业的评判也遵循标图知识表示、构建评判规则库、进行知识推理这一过程，如图1 所示。

图1 基于规则的知识推理Fig.1 Rule-based knowledge reasoning

1.1 知识表示

规则推理首先要将专家经验和作战标图规定等转化为知识表示。研究标号特点以及评判的重要因素，对标号进行特征抽取，将评判知识实体对象区分为整饰要素和内容要素两类。整饰要素是标图作业的重要组成部分，从内容上分为标题、密级以及落款等，从具体属性上分为文字内容、颜色、字号和字体等；根据标号显示的一般特点，进行特征抽取，标号内容要素区分为属方、位置、颜色、注记、线型、方向、子标号等。在此基础上构建评判规则库。规则知识库［8］是规则推理的重要部分，一方面要覆盖标图评判的方方面面，标号库的任一标号都要有评判规则；另一方面评判规则不能呆板，需要设置一定的范围，同时针对自定义的标号，同样要具备评判规则。

评判规则可以用产生式规则［9］的方式表示。则“如果满足这个条件，就判定为真”表示为：

if c（1）∧c（2）∧…∧c（n）then judge=true

如果某条规则的条件满足了，那么就产生相应的结果。以标图作业为例，基于标号唯一标识符编码、标号含义以及标绘方式等设置标号评判知识库。针对同义异形的标号，需要细致地构建知识库规则，以确保评判规则的实用性。比如针对作战想定的某一描述，采用A 标号是正确的，B 标号也是正确的，那么就设置该种情况下，A 和B 均为正确，避免了评判的不精确。某些标号绘制方式虽然多样，但图形显示相同，则评判规则更为复杂。比如：某标号标绘时，可采用两种标绘方式，从左至右设置关键点，或者从右至左设置关键点，继而改变标号方向获取的标绘图形是相同的，均应视为正确。则在知识库建立规则R1、R2，描述为某标号的标绘在满足条件C1或者C2条件时，产生的结果视为等同。

在标绘方式1 情况下的规则R1：

R1： IF Ms：MarkS（type＝＝“TypeX”）Md：MarkD（|MarkD.Dir-MarkS.Dir|

在标绘方式2 情况下的规则R2：

R2： IF Ms：MarkS（type＝＝“TypeX”）Md：MarkD（|MarkD.Dir+MarkS.Dir|

知识表示相当于定义了标图作业的弹性评判标准，为智能化评判方法运用提供条件。

1.2 知识推理过程

正向推理过程是将事实与已有的知识进行模式匹配，找到符合事实的知识，得出结论。Rete 算法［10］（Rete 在拉丁语中代表网络）是用于产生式专家系统的模式匹配算法，在标图评判规则推理中的应用过程是：创建规则集对应的Rete 推理网络，将所有的规则解释生成一个识别网络，当事实进入系统后，在Rete 网络上匹配规则进而传播，直到抵达网络的终止节点，完成一条规则的匹配后，即可触发该规则预定义动作。Rete 算法网络结构如图2 所示。

图2 Rete 算法网络结构Fig.2 Network structure of Rete algorithm

Rete 网络包括alpha 模式网络和beta 连接网络。节点类型包括：Root 节点、Type 节点、Select 节点、Alpha memory 节点、Beta memory 节点、Joint 节点等。

Root 节点是所有事实进入Rete 网络的入口；Type 节点根据事实或事件对象的类型进行过滤，符合条件继续传播；

Select 节点根据模式的属性对事实进行过滤，符合条件继续传播；

Alpha memory 节点存储所有通过常量约束测试的事实对象；

Beta memory 节点存储事实对象元组；

Joint 节点是双输入节点，左输入通常为事实对象元组，右输入通常为事实对象。该节点判断两个事实或事件对象在某一属性值上的关系，如果条件符合，进行连接操作，向后传播；当事实或事件数据传播到某叶子节点时，表明该条规则完全匹配，将规则加入议程。

标图作业中的标号在Rete 网络中匹配传播，直到抵达规则的终止节点，进而触发该规则预设动作。

2 基于兴趣区域过滤的作业评判

由于存在评判标准不统一、主观因素较多的问题，标图作业的评判一直以来缺乏可靠的技术手段。在设置评判标准、构建规则知识库的基础上，采用基于兴趣区域的智能评判方法，实现了对标图作业快速定量化的评判。军标可分为规则军标和不规则军标。规则军标可由直线、曲线、圆弧、矩形、多边形、圆、文字等基本图元组合而成；非规则军标是由一组无规律的图形符号组合而成，往往涉及到Bezier 曲线之类的算法。

标绘作业中包含有数十种类型的上百个标号与注记，有些标号与注记的类型是相同的，给标图作业的评判带来干扰与困难。在某一具体标号的评判中，对其兴趣区域进行限定，可大大缩小评判的搜索范围，提高评判准确度，继而采用规则推理等方法，得出最终评判结果。基于兴趣区域的作战标图评判如图3 所示。处理方式如下：

1）获取某一标号的包围区域，将包围区域原始边界作为内边界并进行膨胀处理，得到包围区域的外边界；

2）遍历符号集合内所有符号，根据定位点确定与外边界之间的位置关系；

3）将外边界内和外边界相交的符号加入到兴趣集内。

利用遍历算法，对参考人员文件和标准文件中标号进行逐项遍历比对，自动评判。某一标号的具体评判过程如图4 所示，具体如下：

图4 标图评判算法流程Fig.4 Algorithm process of plotting operation judgment

1）获取标图答案和参考人员作业标号列表，以及标号评判设定；

2）判断标号类型，按照点状标号、线状标号和面状标号等不同分类进行判定，不同类型的标号其评判逻辑不同；

3）获取该标号评判兴趣区域的受考答案标号集合，如果兴趣区域内有标号，则继续下一步；

4）获取兴趣区域的参考人员作业某标号，获取其标号类型；

5）判断标号类型是否为同类型，如果是，继续下一步；

6）利用规则知识库进行判断，查询判断结果，若根据知识库规则，返回结果为True，则继续下一步；

7）判断标号的若干个关键点是否均在评判阈值范围内，如果是，则继续下一步；

8）判断标号的方向偏差是否在评判阈值内，如果是，则继续下一步；

9）判断标号的线型和颜色是否符合评判设定，如果是，则继续下一步；

10）进行标号相似度判定，进行相似度排序，取最大相似度标号；

11）如果相似度大于标准值0.9，则继续下一步；

12）计算得分，处理符号错误信息；

13）输出有关信息。

标图作业评判涉及标号数量较多且规则复杂，为清晰地定位错误标号的相关信息，设计标图作业和参考答案的同窗口可视化比对显示，以增强智能化评判的实用性。将标图作业、参考答案和评判信息区分为不同的图层，在评判信息层，可高亮显示正确的标号、错误的标号，可清晰地显示参考答案中标号的兴趣区域；错误标号的相关信息通过调用评判规则库接口获取，错误信息不仅包括方向、线型以及关键点等错误类型，还包括诸如定位点偏差距离、方向偏离角度等详细信息。

3 算法应用

基于本文所提方法，在标图软件的基础上添加标图作业评判模块，构建标图训练系统，能够定量化评定作业成果，有助于参训人员提升指挥技能。

3.1 标图作业评判模块架构

该模块主要包括界面显示、智能评判和底层支撑等部分，如图5 所示。

图5 标图作业评判模块框架Fig.5 Framework of plotting operation judgment module

底层支撑模块主要是地理信息系统，可提供军标显示功能，数据库中间件和文件解析模块用于知识库操作、评判规则载入、标图文件解析等。

界面显示模块包括考核评判设置和评判信息显示。评判设置可设置标图作业的整体设置、整饰设置和标号设置，可设定不同标号及各个属性的评判权重，增强标图评判灵活度。评判信息显示用于显示参考答案、考生答案以及标号错误信息等，辅助快速定位到标绘错误。

智能评判模块用于实现标图作业整饰要素和标号的综合评判。先判定标题、密级以及落款等整饰内容，再判定图中标号的得分。在实现一般唯一性标号评判的基础上，还可实现同一表述多种答案的灵活智能评判。

3.2 算法应用验证

标图作业评判模块中采用基于知识推理和兴趣区域过滤的智能化评判方法，取得了良好的效果。一方面，在评判效率和精确度上，都较人工评判有明显优势，采用机器评判提升了工作效率，评判时间以s 计算，不及人工方式的1%，且随着试卷数量的提升优势更为明显；另一方面，与一般基于规则的标图判定方法相比，通过设置灵活的评判规则进行知识推理，并融入兴趣区域过滤算法，不仅实现了同形异义和同义异形标号的智能评判，而且在此基础上提高了评判结果的精准度。在系统应用过程中，针对3 种难度类型的标图作业进行实验，其中，难度较易的作业约含50 个标号，难度中等的约含75 个标号，难度较难的约含100 个标号，评判精准度和评判能力效果验证效果如表1 所示。

表1 评判精准度和评判能力验证结果/%Table 1 Verification results of judgment accuracy and capability/%

从结果可以看出，标图作业的难易程度对评判准确率几乎没有影响，而采用本文方法的标图作业评判准确率远高于一般基于规则评定的方法，且满足评判严格准确的应用需求。目前该标图训练系统已经取代人工评判手段，在参谋人员技能训练中得到广泛使用。

4 结论

本文提出基于知识推理和兴趣区域的标图评判方法，并在此基础上实现了标图作业的自动化评判，有效解决了人工评判效率低且容易出错的问题，为标图作业训练考核提供了智能化手段。

本文研究标图作业的一般特点，尤其是标号的属性特点，将军事知识和专家经验转化为知识表示，利用Rete 算法进行规则推理得出结果；在此基础上，利用兴趣区域过滤的方法缩小标号匹配范围，提出标号评判的整体流程；在标图训练系统中构建作业结果评判模块，开展具体应用实践。下一步将继续研究标图规则表示，完善知识推理模型，提升评判的智能性和通用性。