基于深度学习的机载传感器领域知识图谱构建研究与实现 遥感地质专业.docx

《基于深度学习的机载传感器领域知识图谱构建研究与实现 遥感地质专业.docx》由会员分享，可在线阅读，更多相关《基于深度学习的机载传感器领域知识图谱构建研究与实现 遥感地质专业.docx（33页珍藏版）》请在第一文库网上搜索。

1、经历了世界航空维修产业(MRO,Maintenance,Repair&Operations)的高速发展，我国的航空维修产业(MRo)也获得了到了很多发展的契机与挑战。怎样按照自己的发展情况计划好布局和方向，加入该产业的世界化高速发展中成了目前亟待解决的问题。中国的民用航空维修产业第一是要把技术发展放在首位。依托当下热门的大数据研究民用飞机维修方案，以寻求更加合理化的、增强航空器性能的、减少维修成本的方案，是非常有意义的。中国民航所在飞航空器中，大多数采用电传操纵，机载传感器数量、种类众多。以知识图谱为代表的处理关联数据的大数据应用技术是解决机载传感器更好飞机维修方案的方法之一。机载传感器知识图

2、谱构建的核心内容包括实体识别和关系抽取，本文以作者所在MRO企业机载传感器维修日志文本信息为基础，全面探索机载传感器知识图谱识别与关系抽取的理论，进行了以下的研究：(1)在机载传感器实体识别问题中，提出一种基于转换器的双向编码表征(BERT)与双层双向长短期记忆网络(Bi1STMS)与条件随机场(CRF)结合的机载传感器实体识别方法，针对BERT预处理模型对其Positionembedding进行每一个字的标注，再接双层Bi1STM模型，获取更好的上下文表示，结合AttentiOn机制，进行字力度信息获取，减少三层模型带来的庞大计算量，最后在CRF模型的作用下得到序列标注的成果。研究结果显示，

3、和传统的CRF模型相较而言，F值上升了百分之4.03。(2)(2)在机制传感器关系抽取问题中，采用Bi1STM-ATT模型。首先将文本信息中的每个词向量与位置向量进行融合，将其输入Bi1STM模型中，然后引入一层词注意力机制来获取词重要性，减少噪声，最后通过SoftmaX分类输出关系抽取结果。(3)运用Neo4j构建可视化机载传感器知识图谱，并进行数据分析应用。关键词：机载传感器知识图谱，关系抽取，深度学习，实体识别，算法ABSTRACTWiththecontinuousgrowthoftheg1oba1aviationmaintenanceindustry(MRO,maintenance,r

4、epairandoperation)market,Chinasaviationmaintenanceindustryhasa1sousheredinmanydeve1opmentopportunitiesandcha11enges.Howtomakea1ayoutp1anaccordingtoitsowndeve1opmentstatustoadapttothenewwaveofdeve1opmenthasbecomeatopicworthyofattentioninthedomesticaviationmaintenanceindustry.Makingfu11useofthedeve1op

5、mentofadvancedtechno1ogyisofgreatsignificancetomycountryscivi1aviationmaintenanceindustry.techno1ogyandre1yonthepopu1arbigdatatostudycivi1aircraftmaintenanceprogramstofindmorerationa1izedso1utionsthatImproveaircraftperformanceandreducemaintenancecosts.Mostofthep1anesf1yingbyChinascivi1aviationareope

6、ratedbywire,andthenumberandtypesofairbornesensorsarea1sonumerous.Thebigdataapp1icationtechno1ogyofprocessingre1ateddatarepresentedbytheknow1edgegraphisoneofthewaystouseairbornesensorstoso1vebetteraircraftmaintenancep1ans.Thecorecontentofairbornesensorknow1edgegraphconstructioninc1udesentityrecogniti

7、onandre1ationshipextraction.BasedonthetextinformationoftheauthorsMROcompanysairbornesensormaintenance1og,thispaperconductsin-depthresearchontheentityrecognitionandre1ationshipextractionoftheairbornesensorknow1edgegraph.Themainresearchcontentsinc1ude:(1) Intheprob1emofairbornesensorentityrecognition,

8、Aconverter-basedbidirectiona1encodingrepresentation(BERT)combinedwithatwo-1ayerbidirectiona11ong-termshort-termstoragenetwork(Bi1STM)andaconditiona1randomfie1d(CRF)forairbornesensorentityidentificationisproposed.ThemethodistomarkeachwordembeddedinitspositionfortheBERTpreprocessingmode1,andthenconnec

9、tthetwo-1ayerBi1STMmode1toobtainabettercontextua1representation.Combiningtheattentionmechanismtoobtainthestrengthinformationofthewords,reducethehugeamountbroughtbythethree-1ayermode1.Ca1cu1atethenumber,andfina11yobtainthesequenceannotationresu1tthroughtheCRFmode1.Theexperimenta1resu1tsshowthattheFva

10、1ueisincreasedby4.03%comparedwiththetraditiona1CRFmethod.(2) Intheprob1emofmechanismsensorre1ationshipextraction,theBi1STM-ATTmode1isused.First1y,eachwordvectorinthetextinformationisfusedwiththepositionvector,andinputitintotheBi1STMmode1.Thena1ayerofwordattentionmechanismisintroducedtoobtainwordimpo

11、rtanceandreducenoise.Fina11y,there1ationshipextractionresu1tsareoutputthroughSoftmaxc1assification.(3) UseNeo4jtobui1davisua1izedknow1edgemapofairbornesensorsandperformdataana1ysisapp1ications.Keywords:airbornesensorknow1edgegraph,entityrecognition,re1ationextraction,deep1earning,a1gorithm目录第一章绪论11.

12、1 研究背景及意义11.2 国内外研究发展及现状21.2.1 知识图谱发展及研究现状31.2.2 实体识别发展及研究现状41.2.3 关系抽取发展及研究现状51.3 本文的研究内容71.4 本文的组织结构8第二章相关的理论分析与研究92.1 知识图谱构建技术92.1.1 知识图谱的基本概念92.1.2 知识图谱的关键技术102.2 条件随机场模型122.3 词向量模型152.3.1 Word2vec模型152.3.2 E1Mo模型162.3.3 BERT模型172.4 深度学习方法192.4.1 卷积神经网络192.4.2 循环神经网络212.4.3 Attention机制242.4.4 Tr

13、ansformer模型262.5 机载传感器实体识别和关系抽取相关研究错误!未定义书签。2.5.1 实体识别相关研究错误!未定义书签。2.5.2 关系抽取相关研究错误!未定义书签。2.6 本章小结错误!未定义书签。第三章基于BERT-Bi1STM-CRF的机载传感器实体识别错误!未定义书签。3.1 基于深度学习的机载传感器实体识别流程错误!未定义书签。3.2 数据预处理错误!未定义书签。3.3 改进的BERT-Bi1STM-CRF模型构建设计错误!未定义书签。3.3.1 字符向量表示层错误!未定义书签。3.3.2 BERT预训练层错误!未定义书签。3.3.3 Bi1STM层错误!未定义书签。3

14、.3.4 CRF层错误!未定义书签。3.4 实验结果及分析错误!未定义书签。3.4.1 实验数据错误!未定义书签。3.4.2 评价指标错误!未定义书签。3.4.3 实验结果与分析错误!未定义书签。3.5 本章小结错误!未定义书签。第四章基于Bi1STM的机载传感器关系抽取错误!未定义书签。4.1 实体关系抽取问题描述错误!未定义书签。4.2 文本结构关系处理方法错误!未定义书签。4.3 机载传感器关系抽取方法错误!未定义书签。4.3.1 特征向量的生成错误!未定义书签。4.3.2 Bi1STMs-ATT模型构建错误!未定义书签。4.3.3 SOftmaX分类错误!未定义书签。4.4 关系抽取结

15、果及分析错误!未定义书签。4.5 本章小结错误!未定义书签。第五章机载传感器的知识图谱构建错误!未定义书签。5.1 知识图谱的构建流程错误!未定义书签。5.2 知识图谱构建错误!未定义书签。5.3 基于知识图谱对机载传感器数据进行分析错误!未定义书签。5.4 本章小结错误!未定义书签。第六章总结与展望错误!未定义书签。6.1 总结错误!未定义书签。6.2 展望错误!未定义书签。致谢错误!未定义书签。参考文献错误!未定义书签。攻读硕士学位期间取得的成果错误!未定义书签。第一章绪论这一章是对此次探索的实验背景和最终意义摘到，还有对这个项目在世界范围的研究情况，结尾在对此次行为的文章内容和文章分布进行说明。1.1 研究背景及意义根据中国民用航空维修产业年鉴2023表示，我国民用航空维修产业要利用好先进技术的发展，把握好对时下应用较多的bigdata、数学建构、区块链、预测性维修、机器人等方面富有创新性的技术，来引领行业“新业态”发展。紧盯前沿高端研发专业化修理技术，如以大数据为依托实现传统维修方式的变革。同时，民用飞机维修方案则是可以直接影响到民用飞机的性能和所费资本的，所以需要重视飞机的维修成本，合理化安排维修方案。研究发现，飞机的维修成本已经跃升为飞机在使用寿命内最大的花销之一，甚至可以相当于飞机购买价格的1.2倍，是飞机使用寿命中花销最大的一项开