1.一种基于GCN的无人机任务规划知识推理方法，其特征在于：该方法包括以下步骤：S1：无人机任务规划系统知识抽取；

S2：基于TransH得到无人机任务规划知识的向量表示；

S3：构建无人机任务规划知识图谱的邻接矩阵；

S4：初始化特征矩阵；

S5：GCN特征向量更新；

S6：基于块对角分解的GCN权重系数正则化；

S7：基于全连接层实现实体分类；

S8：建模Sigmoid函数实现链接预测。

2.根据权利要求1所述的一种基于GCN的无人机任务规划知识推理方法，其特征在于：在所述S1中，无人机任务规划系统知识抽取，具体为：采用实体识别和关系抽取技术提取无人机任务规划系统中的实体和关系，针对数据库或链接数据采用图映射及D2R方法将数据表示为三元组形式，对于表格和列表的半结构数据采用专用包装器将其表示为三元组，对于非结构化数据采用深度学习方法进行数据抽取；将所抽取无人机任务规划数据表示为三元组(h,r,t)的形式，其中h和t分别为头实体和尾实体，r为两者的关系，系统实体包括无人机、任务及环境，实体属性包括无人机类型、位置、飞行速度和方向。

3.根据权利要求1所述的一种基于GCN的无人机任务规划知识推理方法，其特征在于：在所述S3中，基于TransH得到无人机任务规划知识的向量表示，具体为：令ei表示实体(节点)i的向量表示，wr表示关系r的超平面法向量，基于TransH将实体向量投影到与关系向量垂直的超平面上，得 令fr(ei,ej)表示三元组(ei,dr,ej)的损失函数，建模为其中，dr表示关系r的平移向量，1≤i,j≤N，N为节点的数量。

4.根据权利要求1所述的一种基于GCN的无人机任务规划知识推理方法，其特征在于：在所述S3中，构建无人机任务规划知识图谱的邻接矩阵，具体为：令A＝[Aij]表示知识图谱的邻接矩阵，若节点i和节点j相连，Aij＝1，否则，Aij＝0。

5.根据权利要求1所述的一种基于GCN的无人机任务规划知识推理方法，其特征在于：在所述S4中，初始化特征矩阵，具体为：令 表示节点i在第l层的特征向量，1≤l≤L，L为图卷积层的个数，采用Trans H得到的实体向量对 进行赋值，即

6.根据权利要求1所述的一种基于GCN的无人机任务规划知识推理方法，其特征在于：在所述S5中，GCN特征向量更新，具体为：GCN的特征向量更新函数为：其中 表示节点i在第l层的特征向量，N(i)＝{j|Aij＝1}表示节点i的邻居集合， 和 分别表示关系r位于GCN的第l层的权重矩阵和偏置向量，其中，σ是激活函数，建模为ReLU函数。

7.根据权利要求1所述的一种基于GCN的无人机任务规划知识推理方法，其特征在于：在所述S6中，基于块对角分解的GCN权重系数正则化，具体为：令 表示对应关系r在第l层的第b个低维矩阵，1≤b≤B,其中，B表示低维矩阵的数量，将 分解为 的直和，即

8.根据权利要求1所述的一种基于GCN的无人机任务规划知识推理方法，其特征在于：在所述S7中，基于全连接层实现实体分类，具体为：通过建模线性变换实现全连接层，令表示节点i的输出层特征向量，定义为 其中Wo和bo分别表示输出层的权重矩阵和偏置向量；经过全连接层得到特征向量 使用激活函数对 进行处理，将处理的结果作为Softmax函数的输入，得到每个类别的概率分布，定义为： 其中exp(x)表示自然指数函数。

9.根据权利要求1所述的一种基于GCN的无人机任务规划知识推理方法，其特征在于：在所述S8中，建模sigmoid函数实现链接预测，具体为：利用分类器对三元组的进行验证，令yh,r,t表示三元组 的得分，建模为： 其中，g(x)为Sigmoid函数，定义为：