裝備保障性驗證知識圖譜構建方法研究

劉晨光　李星新　于永利　孫也尊

摘 ?要：裝備保障性驗證是控制裝備保障性達到目標要求的有效手段，目前，裝備保障性驗證領域積累了很多技術方法以及海量異構的數(shù)據(jù)。知識圖譜具有對知識、數(shù)據(jù)進行梳理從而進一步實現(xiàn)機器智能的作用。構建裝備保障性驗證領域知識圖譜也將是裝備保障性領域邁向智能化的開端。首先簡要介紹裝備保障性驗證發(fā)展現(xiàn)狀，其次概括知識圖譜構建的技術方法和研究熱點，然后提出裝備保障性驗證領域知識圖譜構建方法以及邏輯和技術流程，最后對未來發(fā)展前景做了展望。

關鍵詞：裝備保障性;異構數(shù)據(jù);知識圖譜;本體;知識抽取

中圖分類號：TP399 ? ? 文獻標識碼：A

Research on Construction Method of Knowledge Graph for

Equipment Supportability Verification

LIU Chenguang1， LI Xingxin1， YU Yongli1， SUN Yezun2

（1.Shijiazhuang Campus of Army Engineering University， Shijiazhuang 050051， China;

2.Unit 32382 of PLA， Beijing 100000， China）

17370228702@163.com; lxx_1226@sina.com; yu_yongli@263.net.cn; 461149680@qq.com

Abstract： Equipment supportability verification is an effective means to control equipment supportability to meet target requirements. At present， the field of equipment support verification has accumulated many technical methods and massive heterogeneous data. Knowledge graph has functions for sorting knowledge and data to further realize machine intelligence.Building knowledge graph for equipment supportability verification marks the initial effort of intelligence in the field of equipment supportability. This paper firstly introduces the development status of equipment supportability verification. Then， it summarizes the technical methods and research focuses of knowledge graph construction. Thirdly， it proposes the method as a logic and the technical process of knowledge graph construction in the field of equipment supportability. Finally， it depicts the future development.

Keywords： equipment supportability; heterogeneous data; knowledge graph; ontology modeling; knowledge

extraction; knowledge fusion

1 ? 引言（Introduction）

保障性是裝備的設計特性和計劃的保障資源滿足平時戰(zhàn)備和戰(zhàn)時利用率要求的能力[1]，保障性的概念分為三個層次，一是裝備的設計特性，這是在裝備設計階段賦予裝備天生的特性;二是計劃的保障資源，這是使裝備得到有效保障的物質(zhì)基礎;三是二者協(xié)調(diào)配合滿足裝備戰(zhàn)備完好性的能力，這是需要裝備做到“好保障”與“保障好”相配合，使裝備達到平時戰(zhàn)備和戰(zhàn)時使用要求[2]。

近年來，隨著我軍大批新型武器裝備列裝部隊以來，裝備的復雜程度和信息化程度越來越高，對裝備保障性水平提出了更新更高的要求。在借鑒世界軍事強國發(fā)展經(jīng)驗的基礎上，我軍對裝備全壽命周期內(nèi)裝備保障性的研究越來越重視，取得的理論成果、技術方法越來越全面，在此基礎上，進一步構建裝備保障性驗證領域知識圖譜，將對理論方法指導部隊實際工作產(chǎn)生重要積極的推動。

2012年谷歌首次提出知識圖譜的概念，知識圖譜在語義搜索、問答系統(tǒng)、智能客服、個性化推薦、輔助決策等應用中占有重要作用，金融、醫(yī)療、司法、公安等許多行業(yè)都在探索構建垂直領域知識圖譜，致力于實現(xiàn)行業(yè)智能化水平[3]。當前較為典型的開放領域知識圖譜有：DBpedia[4]、YAGO[5]、Probase[6]、BableNet[7]、Zhishi.me[8]等。但是對于軍隊系統(tǒng)，我們將理論成果賦能試驗基地、基層部隊的效果還比較差，開展工作的方式比較傳統(tǒng)、嚴重制約專業(yè)領域知識向下傳遞、實踐經(jīng)驗與數(shù)據(jù)向上反饋的過程。構建保障性驗證領域知識圖譜將是專業(yè)領域知識賦能部隊，提升部隊智能化水平的重要基礎。

2 ? 相關工作（Related work）

2.1 ? 保障性驗證的主要研究內(nèi)容

裝備保障性驗證的研究內(nèi)容與保障性定義的內(nèi)涵是相匹配的。

（1）對保障性設計特性驗證方法的研究。針對裝備系統(tǒng)故障率、平均故障間隔、保持或恢復到規(guī)定狀態(tài)的能力等問題，依據(jù)可靠性維修性保障性（RMS）指標要求，構建試驗模型、確定試驗項目、優(yōu)化試驗流程，科學檢驗裝備系統(tǒng)的保障性設計與工藝缺陷[9]。

（2）保障資源規(guī)劃的驗證研究。針對配套保障設備的完備情況、符合通用化系列化組合化要求的程度、備附件的供應滿足率、技術資料的完整性和適用性、保障工作量以及綜合保障各要素之間匹配性協(xié)調(diào)性等問題，建立保障資源配套試驗評價標準，構建試驗模型，確定試驗項目，優(yōu)化試驗流程，全面考核裝備保障資源的利用率和充足程度，以及保障系統(tǒng)的能力是否和裝備戰(zhàn)備完好性要求相適應[10]。

（3）戰(zhàn)備完好性驗證方法研究。主要考慮裝備系統(tǒng)是否正常工作和使用，以及能否在預期作戰(zhàn)環(huán)境中按照預定的強度執(zhí)行作戰(zhàn)任務等要求，建立裝備系統(tǒng)可用度試驗評價標準，構建試驗模型，優(yōu)化試驗流程，科學考核裝備系統(tǒng)處于能夠使用并能夠執(zhí)行任務的狀態(tài)的程度[11]。

2.2 ? 知識圖譜定義

知識圖譜是AI+知識的一種表現(xiàn)形式，以類腦神經(jīng)的圖結構將大數(shù)據(jù)背景下的海量知識相互關聯(lián)實現(xiàn)進一步智能化的技術方法。知識圖譜可視化圖結構中的節(jié)點代表現(xiàn)實世界的實體（如，人、地點、機構等）或者抽象概念（如，裝備保障性、裝備維修性等）;兩個節(jié)點之間的邊代表實體的屬性（如，人名、地名）或者實體之間的關系（如，保障、維修等）[12]。知識圖譜是在語義網(wǎng)絡的基礎上進一步發(fā)展而來的產(chǎn)物，是將知識聯(lián)系存儲成一個大型知識庫。知識圖譜所具有的推理能力可以幫助人類發(fā)現(xiàn)新的知識和關系，與關系型數(shù)據(jù)庫相比，知識圖譜的類人腦的知識組織結構有助于智能化的處理和理解知識，進一步提高機器智能[13]。

2.3 ? 知識圖譜架構

2.3.1 ? 邏輯層面架構

在邏輯層面，知識圖譜通常可以劃分為數(shù)據(jù)層和模式層兩個層次。數(shù)據(jù)層主要是將領域中的多源異構數(shù)據(jù)轉(zhuǎn)換為三元組的形式，通過一系列三元組表達領域知識或者常識知識，比如用（實體1，關系，實體2）、（實體、屬性，屬性值）這樣的三元組來表達事實，從而實現(xiàn)對知識進行存儲。模式層是在數(shù)據(jù)層的基礎上構建的，領域知識圖譜構建過程通常通過構建領域本體（Ontology）來規(guī)范數(shù)據(jù)層。本體規(guī)范了領域核心結構，具有較強的結構層次，有效減少冗余[14]，如圖1所示。

知識圖譜構建方式分為自底向上（bottom-up）和自頂向下（top-down）兩種。“自底向上”的方式是指從數(shù)據(jù)層入手，通過對現(xiàn)實世界海量龐雜的知識數(shù)據(jù)進行初步分析，按照特定領域數(shù)據(jù)類型分布，以及數(shù)據(jù)特點進而構建與之相匹配的知識圖譜模式層，即先構建底層數(shù)據(jù)層進而推演出頂層模式層[15]。由于通用領域知識圖譜主要強調(diào)知識的廣度以及知識之間淺層的關聯(lián)關系，因此一般采用自底向上的構建方式，如Google的Knowledge Vault。另外，在領域知識圖譜過程中，部分知識體系不完整的數(shù)據(jù)也需要采用自底向上的構建方式;“自頂向下”的方式是在領域知識體系成熟完備的條件下首先進行知識圖譜模式層的構建，進而補全相應數(shù)據(jù)層，這種構建方式需要領域?qū)＜以缙诮槿耄妙I域內(nèi)固有的知識體系或者新構建權威的知識體系，并在此基礎上梳理可定義模式的數(shù)據(jù)。由于垂直領域知識圖譜對領域知識準確性以及領域知識之間深層次關系要求較高，因此一般采用自頂向下構建方式，如醫(yī)學領域知識圖譜。本文構建裝備保障性驗證領域知識圖譜主要采用自頂向下的方式構建。

2.3.2 ? 技術層面架構

垂直領域知識圖譜是相對Wikidata、Yago等通用知識圖譜而言的，垂直領域知識圖譜的知識復雜度更高、知識來源更加復雜、知識數(shù)據(jù)的多元異構性更強。現(xiàn)實世界的知識資源海量龐雜，由于通用知識圖譜要求知識覆蓋面龐大，因此通用知識圖譜構建通常以知識數(shù)據(jù)為牽引采用自底向上的構建方式。而垂直領域知識圖譜一般面向不同的特定領域和不同的數(shù)據(jù)模式，因此現(xiàn)在沒有統(tǒng)一的構建標準和規(guī)范。但是，一般構建過程可以分為六個階段，即知識建模、知識存儲、知識抽取、知識融合、知識計算、知識應用，如圖2所示。

根據(jù)圖中的各個構建部分，其技術層面架構如圖3所示。

3 面向裝備保障性驗證的知識圖譜構建（Construction of knowledge graph for equipment supportability verification）

3.1 ? 裝備保障性驗證知識圖譜內(nèi)涵

裝備保障性驗證知識圖譜是知識圖譜在裝備保障領域的延伸，是圖結構的裝備保障性驗證語義知識庫，通過形式化描述裝備保障性驗證領域概念、實體、屬性，以及之間關系的方式，使領域內(nèi)概念、實體、屬性相互連接，構成裝備保障性驗證領域知識的立體網(wǎng)狀結構圖，進而在裝備保障領域?qū)崿F(xiàn)知識圖譜的語義搜索、智能問答、輔助決策等相關功能。

裝備保障性驗證領域知識可以采用資源描述框架（Resource Description Framework，RDF）表示為三元組形式，RDF本質(zhì)是一種數(shù)據(jù)模型（Data Model），RDF假設所有語義都可以以三元組形式進行表示，復雜語義可以由n個三元組組合表示，它提供了一種統(tǒng)一的描述實體、概念、屬性的標準，形式上表示為SPO三元組形式，即“”或者“<（對象），（屬性），（值）>”，例如可以用如下三元組表示裝備技術準備時間的基本信息：

<裝備技術準備時間，類型，保障性參數(shù)>

<裝備技術準備時間，驗證方法，半實物仿真>

<裝備技術準備時間，父類，時間>

<半實物仿真，父類，試驗>

3.2 ? 裝備保障性驗證知識圖譜特點

知識圖譜是人工智能范疇的新興領域，裝備保障性驗證知識圖譜是開創(chuàng)性的將知識圖譜技術引入到裝備保障性驗證領域，它不同于知識庫或者專家系統(tǒng)的功能，不僅僅是對裝備保障性驗證領域的知識總結，而是實現(xiàn)裝備保障性領域更具智能化的重要探索，需要針對保障性驗證的特點，對概念、實體、關系進行梳理擴展，具有以下特點：

（1）裝備保障性驗證知識圖譜是一項裝備保障領域知識工程，是在對裝備保障性驗證領域知識形式化表示的基礎上，進行知識抽取、知識融合、知識眾包、知識表示、知識推理以及可視化等的工作，并最終基于保障性驗證知識圖譜實現(xiàn)語義搜索、智能問答、輔助決策等面向部隊使用的全壽命過程。

（2）裝備保障性驗證知識圖譜描述的關系包括人、裝備、時間、空間、工具、技術等之間復雜交錯的關系，復雜關系交叉使得事件邏輯性和復雜性大大增加，在這種專業(yè)領域背景下，將發(fā)揮知識圖譜技術的特點，提升裝備保障性驗證工作的智能化水平。

（3）裝備保障性驗證知識圖譜需要描述事實型知識和過程型知識，事實型知識指的是有裝備保障領域?qū)＜夜J的裝備保障術語、名詞、框架等反映裝備保障性驗證目的與狀態(tài)的知識;過程型知識指的是描述裝備保障性驗證系統(tǒng)過程的知識，具有較強的針對性，體現(xiàn)裝備保障性驗證的專業(yè)特點，利用知識圖譜技術可以較好的建立知識之間的聯(lián)系。

3.3 ? 裝備保障性驗證知識圖譜構建技術體系

根據(jù)裝備保障性驗證領域知識特點，綜合領域知識圖譜構建一般方式，采用“自頂向下”的構建方法，首先構建領域的模式層，采用本體建模的方式構建裝備保障性驗證本體模型。數(shù)據(jù)層為裝備保障性領域?qū)嶓w和相關屬性，實現(xiàn)保障性驗證知識抽取、融合、推理、補全。

（1）裝備保障性驗證本體建模

本體的概念最初起源于哲學，從20世紀90年代開始，計算機領域特別是人工智能、知識工程領域開始廣泛引入本體概念，形成各個應用領域內(nèi)通用標準化的領域概念，成為知識表示、加工、應用的基礎。現(xiàn)在本體的形式化定義主要有OWA形式化定義、Guarion形式化定義和KAON形式化定義，其中OWA形式化定義應用最為廣泛，本文采用這種方法進行裝備保障性驗證領域本體建模。OWA形式化定義是一種基于Web注釋的本體描述方法，其形式化定義為：

其中，是領域概念集;是概念的屬性集;是關系集;是每個關系屬性集;表示概念層次;表示公理集。

裝備保障性驗證本體建模實際上就是規(guī)范化描述裝備保障性驗證系統(tǒng)過程，將裝備保障性驗證作為一個本體進行概念抽象和分析，并將每一層概念作為一個本體，最終依據(jù)抽象分析的結果確定模型框架。

基于本體的保障性驗證系統(tǒng)分析的核心在于：在OWA形式化規(guī)范下逐層確定裝備保障系統(tǒng)概念和概念之間的關系。首先，將整個裝備保障性驗證系統(tǒng)作為一個本體，并基于OWA進行分析，界定裝備保障性驗證系統(tǒng)的頂層概念及概念之間的關系。然后，將每一個概念分別作為一個本體，如此逐層分析，直至確定研究目的下所定義的最小細粒度概念。在概念分析的過程中會逐層體現(xiàn)所需建立的模型。

（2）多源異構的裝備保障性驗證知識抽取

多源異構裝備保障性實體抽取和實體關系構建包括裝備保障性驗證知識抽取、關系鏈接、關系推理等。保障性驗證領域知識的來源包括裝備保障本體庫、基礎裝備保障性數(shù)據(jù)、與裝備保障性相關的國軍標、裝備保障性相關的科研項目成果（報告、模型）、試驗基地的歷史數(shù)據(jù)等。可從中提取裝備保障性驗證相關概念、裝備保障性驗證實體、裝備保障性驗證相關屬性、語義關系、空間關系、時間關系。

裝備保障性驗證相關概念主要源于裝備保障性驗證本體的構建，如保障性使用參數(shù)、戰(zhàn)備完好性參數(shù)、任務成功性參數(shù)等都是概念范疇，實體是概念的實例，含有相應的具體的屬性，如能執(zhí)行任務率（MC）、再次出動時間（TAT）、使用可用度（Ao）等都屬于裝備保障性驗證實體。裝備保障性驗證關系主要有語義關系、時間關系、空間關系。語義關系包括“IsA”關系、相似關系、互斥關系。“IsA”關系是一種行為關系，既包括概念之間的父子關系（如“保障資源”與“保障設備”），也包括概念與實體的（如“保障設備”與“扳手”）的實例關系;相似關系包括用來描述意思上相似的同級保障性驗證領域概念，如（“發(fā)射準備時間”與“技術準備時間”）;互斥關系用來描述同級保障性驗證領域關系之間以及相同性質(zhì)實例之間的互斥關系，如（“可靠度函數(shù)R（t）”與“累計故障分布函數(shù)F（t）”）。

時間關系主要描述在裝備壽命周期各階段裝備保障性驗證所處的不同狀態(tài)以及任務屬性。對時間關系的形式化描述可分為兩類，一類是裝備保障性驗證事件、過程等實體之間的時變關系描述，如“人員→項目”“參數(shù)→特性”，非結構化的保障性驗證事件，如事件：“在裝備設計階段，裝備設計人員需要考慮加油口蓋消沫功能”可對抽取得到的三元組“設計人—設計—加油口蓋消沫功能”添加時間標簽拓展為四元組，用來描述時間;第二類是空間特征的時間變化屬性。可用于實體和關系的更新，如裝備進行長途奔襲過程中，裝備的空間屬性值以及裝備狀態(tài)屬性值是隨時間而變化的，這也是未來構建動態(tài)知識圖譜的時間軸基礎。

（3）裝備保障性驗證知識融合

經(jīng)過知識抽取得到的知識可以劃分為本體層（抽象知識）和實例層（具體事實）。一方面，雖然通過本體建模的方式構建了裝備保障性驗證領域的本體模型，但是事實上，無法構建出一個能夠包含全方面的統(tǒng)一本體，因為面向不同應用場景以及面向不同的用戶使得不同本體之間有不同側重點和差異，此外，過于龐大的本體也難以維護和使用，在工程上有很大困難;另一方面，大量實例之間也存在異構性問題，例如同名實例可能指代不同實體，不同名實例可能指代同一實體，而且知識之間可能存在冗余和錯誤的情況。因此，知識融合需要解決本體層和實例層異構問題，以提高知識質(zhì)量和精度。

針對本體層，本文采用基于術語的本體映射方法解決其異構的問題，從本體中術語的相似性來尋找本體映射。如圖描述了本體映射的基本過程。

在規(guī)范字符串的基礎上，通過度量字符串的相似程度判斷本體的映射關系，可以使用計算字符串漢明距離、子串相似度、編輯距離和路徑距離的方法度量字符串相似度。計算方法如下：對于導入的任意兩個本體字符s和t，他們的漢明距離為：

若存在兩個字符串p和q使得s=p+t+q或t=p+s+q，則稱t是s的子串或s是t的子串，令x為s和t的最大共子串，則s和t的子串相似度為：

若給定一個字符串操作集合op和一個代價函數(shù)w，對于任意一對字符串s和t，存在將s轉(zhuǎn)化為t的操作序列集合，則兩字符串的編輯距離為：

，且

若給定兩個字符串序列和，則路徑距離計算如下：

其中，是某字符串度量函數(shù)，。

針對實例層，實例層的融合匹配與本體層具有相似之處，但是由于知識圖譜的實例層往往數(shù)據(jù)規(guī)模龐大，因此，在匹配過程中需要考慮時間復雜度和空間復雜度問題。結合裝備保障性驗證領域特點，采用基于規(guī)則的實例匹配方法。

4 ?裝備保障性驗證知識圖譜應用（Application of knowledge map of equipment supportability verification）

知識圖譜的應用需要將知識圖譜特有的應用形態(tài)與特定的應用場景以及應用對象相結合。通用領域知識圖譜在語義搜索、智能問答、可視化決策等功能的應用十分典型，針對裝備保障性驗證知識圖譜的應用需要基于數(shù)據(jù)特點以及業(yè)務場景進行優(yōu)化，可以分為面向人應用以及面向智能平臺的應用。

4.1 ? 基于裝備保障性驗證知識圖譜的智能知識服務

裝備保障性驗證知識圖譜以可視化的圖結構存儲專業(yè)領域的相關知識，增強了領域知識的結構和語義，使得知識成為人可視而且機器可處理的形式。基于裝備保障性驗證知識圖譜的語義搜索與傳統(tǒng)的裝備保障性知識庫搜索相比可以處理粒度更細、結構更強的語義數(shù)據(jù)。實現(xiàn)以裝備保障實體的形式在統(tǒng)一視圖里進行管控。

4.2 ? 基于裝備保障性知識圖譜的智能問答

智能問答系統(tǒng)首先要經(jīng)過語義理解和知識匹配兩個過程，智能搜索系統(tǒng)同樣要經(jīng)過這兩個過程，相比較而言智能問答系統(tǒng)可以看作是更高級的信息檢索方式。基于知識圖譜的智能問答相比較傳統(tǒng)基于字符匹配的問答具有更準確的答案反饋，更智能的問答交互。

面向從事裝備保障性驗證相關的工作人員，以及進行裝備保障相關培訓的學員，可以以基于自然語言的問句輸入，將得到快速、準確的信息反饋。問答系統(tǒng)將可以實現(xiàn)問句的智能理解與分解，逐步迭代得到最佳匹配的答案，再將答案進行整合反饋。面向裝備保障性驗證領域知識的智能問答將是保障裝備性知識圖譜的中重要應用方向，保證在相關工作，以及學習中智能化的專業(yè)知識輔助。

4.3 ? 基于裝備保障性知識圖譜的決策支持分析

在裝備保障性驗證工作中，往往涉及多維數(shù)據(jù)的綜合分析與評價，其中數(shù)據(jù)挖掘分析基本數(shù)據(jù)下的隱含表現(xiàn)并結合裝備保障性驗證工作的專業(yè)領域知識的過程是一項復雜困難的工作。基于裝備保障性驗證知識圖譜可以通過相關的數(shù)據(jù)挖掘算法、圖計算方法，采用智能輔助的方式實現(xiàn)在專業(yè)分析的過程中進行實體的關聯(lián)關系分析、關聯(lián)數(shù)據(jù)分析等功能。實現(xiàn)在時間和空間維度離散分布的情況下對數(shù)據(jù)、知識、相關資料進行整合處理，輔助相關人員的決策分析，提高決策的準確性和效率，提高裝備保障領域工作的智能化信息化水平。

5 ? 結論（Conclusion）

本文剖析了裝備保障性驗證知識圖譜的概念和內(nèi)涵，重點研究了基于多源異構數(shù)據(jù)的裝備保障性驗證知識圖譜構建的技術體系和方法。目前，在更強大的計算能力、更先進的算法、爆炸式數(shù)據(jù)等諸多因素的共同作用下，人工智能領域蓬勃發(fā)展，取得許多成熟技術成果，將人工智能賦能軍隊專業(yè)技術性領域提高部隊開展工作的智能化水平成為一種必然趨勢，構建裝備保障性驗證知識圖譜是探索裝備保障領域?qū)崿F(xiàn)智能化的重要基礎。

知識圖譜提供了一種從數(shù)據(jù)中抽取結構化知識并利用圖分析進行關系挖掘的手段，具有廣闊的應用前景，也充滿技術挑戰(zhàn)。未來需要進一步提高裝備保障性驗證知識圖譜自動化構建能力、多源異構數(shù)據(jù)抽取準確性和關系抽取豐富度，并且保障性驗證知識質(zhì)量評價以及動態(tài)更新等重要問題還進一步探索研究。

參考文獻（References）

[1] GJB 451A-2005.可靠性維修性保障性術語[S].中國人民解放軍總裝備部批準，2005：2.

[2] 詹姆斯·瓊斯.總裝備部技術基礎管理中心，譯.QRMS-46.

保障性工程手冊.總裝備部電子信息基礎部技術基礎局，2008：170-173.

[3] SOWA J F.Principles of Semantic Networks： Exploration in the Representation of Knowledge[M]. San Mateo， Calif： Morgan Kaufmann， 1991： 135-157.

[4] AUER， Al S E. DBpedia： A Nucleus for a Web of Open Data.[C].Semantic Web， International Semantic Web Conference， Asian Semantic Web Conference， Iswc + Aswc， Busan， Korea， November. DBLP， 2007.

[5] Suchanek F M， Kasneci G， Weikum G. YAGO： a core of semantic knowledge[C]. Proceedings of the 16th International Conference on World Wide Web， WWW 2007， Banff， Alberta， Canada， May 8-12， 2007. OAI， 2007.

[6] Wu W， Li H， Wang H， et al. Probase： A probabilistic taxonomy for text understanding[C]. ACM， 2012.

[7] Navigli R， Ponzetto S P. BabelNet： Building a Very Large Multilingual Semantic Network[C]. Acl， Meeting of the Association for Computational Linguistics， July， Uppsala， Sweden. DBLP， 2010.

[8] Niu X， Sun X， Wang H， et al. Zhishi.me-Weaving Chinese Linking Open Data[C]. International Semantic Web Conference. Springer， Berlin， Heidelberg， 2011： 205-220.

[9] 龔慶祥，江妙富.武器裝備可靠性維修性保障性驗證技術發(fā)展綜述[A].國防科技工業(yè)可靠性技術交流會論文集（上冊）[C].北京：國防科學技術工業(yè)委員會科技與質(zhì)量司和國防科技工業(yè)可靠性工程技術研究中心，2003：35-42.

[10] 鄒國晨，趙澄謀，邱衡.武器裝備采辦管理[M]. 北京：國防工業(yè)出版社，2003：188-196.

[11] 王國玉，馮潤明.邏輯靶場與聯(lián)合試驗訓練[J].現(xiàn)代軍事，2006（9）：55-58.

[12] 徐增林，盛泳潘，賀麗榮.知識圖譜技術綜述[J].電子科技大學學報，2016，45（04）：589-606.

[13] Bengio Y， Courville A， Vincent P. Representation learning： A review and new perspectives[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2013， 35（8）： 1798-1828.

[14] 阮彤，王夢婕，王昊奮垂直知識圖譜的構建與應用研究[J].知識管理論壇，2016，1（03）：Z26-234.

[15] 劉知遠，孫茂松，林衍凱.知識表示學習研究進展[J].計算機研究與發(fā)展，2016，53（02）：247-261.

作者簡介：

劉晨光（1996-），男，碩士生.研究領域：裝備保障性驗證，知識圖譜.

李星新（1981-），男，博士，講師.研究領域：裝備保障工程，虛擬維修.

于永利（1962-），男，博士，教授.研究領域：裝備維修工程，虛擬維修.

王 ?鵬（1991-），男，博士生.研究領域：系統(tǒng)故障檢測與控制理論.