一种基于意图的星上智能任务决策方法

1.一种基于意图的星上智能任务决策方法，其特征在于：S1地面上注意图信息预处理；S11信息抽取：对地面上注意图信息进行正则表达式抽取，获得信息中具有固定形式且缺乏语法结构的信息；S12信息分词：对剩余信息抽取后信息部分进行分词，按照词粒度进行分割，并对每个词进行词性标注，以进行信息结构化；S13信息识别：使用命名体识别对信息中的实体对象进行识别，获得信息中的关键实体；S14信息结构化：分析句子的语法结构，标记语法关系和对应的词下标，从而生成结构化的意图；S2基于机器学习的意图参数实例化建模：将地上指令给出的宏观意图作为输入变量；S21建立数据集：将地上指令给出的宏观意图作为输入变量X，其对应的观测周期、任务优先级、最低成像质量作为输出变量Y，建立X-Y样本数据集；S22数据集分割：数据集中的80％用作训练集，20％用作测试集；S23构建模型库：对于模型库中多个模型的每个模型实现参数调整和特征优化以提升模型效果；S24模型训练：使用S22中的训练集对S23模型库中的多个模型进行训练；选取XGBoost模型，使用K个累加的函数来预测输出：其中，F＝{f(x)＝w q(x) }(q：R→T，w∈R T )是回归树的空间，q代表每个树的结构，其可以将每个样本映射到对应的叶节点中，T是树中叶子节点的个数，每个回归树在每一个叶节点上包含一个连续分数值，代表第i个节点的分数，是对样本x i 的打分，即模型预测值；对于每个样本，通过累加对应叶子中的分数来获得最终的预测；为了学习模型中使用的函数集合，需最小化下列正则化目标：其中l是一个可微凸损失函数，度量预测值与目标值之间的差，Ω为惩罚模型的复杂度，能够平滑每个叶节点的学习权重来避免过拟合；正则化目标采用简单的预测函数模型实现，XGBoost的树集合模型以函数作为参数，采用加法学习方式训练，训练开始于一个常数预测，每次增加一个新的函数学习当前的树，找到当前最佳的树模型加入到整体模型中，学习第t棵树，寻找最佳的f t ，增加f t 并最小化正则化目标，其中 是在第t次迭代时样本x i 的预测值：第t轮的模型预测等于t-1轮的模型预测加上f t ，这意味着添加最能改善模型的f t ，根据二阶泰勒近似展开：目标函数变为：在目标函数中，g i 和h i 是一阶和二阶梯度统计，将常数项移除，得到了第t步的简化的目标函数：接着重新定义每棵树；通过扩展惩罚项，根据叶节点重新组合目标函数：对于一个固定的结构q(x)，通过定义为叶子节点j中的样本集合,计算叶子节点j的最优权重，此时目标函数转为：此时 被用作一个评分函数以度量树结构q的质量；S25模型融合：针对不同模型进行效果评估，依据评估结果选取所需模型，并将所选取的模型进行模型融合，进一步提升模型的准确率；S3基于模板库推理的用户意图分解：根据意图和目标类型查询知识图谱得到不同的载荷任务清单。 2.根据权利要求1所述的基于意图的星上智能任务决策方法，其特征在于：上述S12信息分词步骤中，设置伪分词数据库，将低频词进行存储。