粗糙本体支持的知识推理框架

基于精确本体的推理机不能够直接应用到粗糙本体的知识推理中,因此目前还没有适合粗糙本体的推理机。根据粗糙本体的特点,将其中的粗糙集、粗糙描述逻辑、粗糙包含和知识推理作为研究对象,在此基础上将基于描述逻辑的推理方法与基于规则的推理方法相结合,提出一种粗糙本体支持的知识推理框架,实现了粗糙本体的推理功能,解决了针对不确定信息的知识推理问题。     

应用粗糙模糊度的不完备信息系统属性约简

粗糙集理论能有效地处理不精确、不一致、不完整等不完全数据信息,可以对数据信息进行分析和推理,发掘隐含知识,揭示潜在规律.属性约简是粗糙集理论的重要研究课题.在现实生活中,由于各种条件限制,信息的不完备现象广泛存在,限制了经典Rough集理论在一些实际问题中的应用.文中引入粗糙模糊度度量,定义了一种新的知识熵.在此基础上,提出了一种基于信息观下粗糙模糊度的不完备信息系统属性约简算法.通过仿真实验说明了该算法的有效性和较好的时间优越性.     

语义网不精确本体构建方法研究

不精确性包括模糊性和粗糙性,同理不精确本体也包含了模糊本体和粗糙本体.通过对粗糙本体构建方法与模糊本体构建方法的综述,讨论了在不精确本体研究中的关键问题,在此基础上对各种粗糙本体构建方法与模糊本体构建方法进行分析比较.为了解决当前不精确本体构建中的瓶颈问题,提出一种基于包含度理论的不精确本体构建方法,在该方法中将粗糙集与模糊集理论引入传统本体模型,使用包含度理论进行关系描述,讨论了未来的研究方向.     

基于本体语言OWL的模糊扩展

本体能够对特定领域的概念、术语以及关系提供一种形式化的描述方法.尽管本体在知识表示上有很强的能力,但是有一个缺陷,即不能表达不确定和不精确的信息.而这些信息在语义网和多媒体应用中,又是至关重要的.针对模糊信息的本体表示问题,本文对本体语言OWL DL进行了基于模糊逻辑的扩展,给出了形式化的语法和语义,并通过一个实例说明了该方法在表达能力上的灵活性. .     

描述逻辑的粗糙扩展研究

由于传统的描述逻辑系统不适于表示不确定的、模糊的知识,本文将基于粗糙集语义的下近似和上近似引入描述逻辑系统中,使用一种简单的方法将传统描述逻辑进行扩展,介绍了粗糙描述逻辑的概念,在粗糙描述逻辑系统中我们可以使用适当的子概念和超概念来对某些模糊的知识进行约束表示。本文主要讨论描述逻辑ALC的粗糙扩展,介绍扩展后所得到的粗糙描述逻辑RALC的语法、语义和相关推理问题,探讨了使用粗糙描述逻辑来对不精确概念进行建模的基本思想,最后提出了一个RALC的可满足性问题的推理算法。本文的工作可以使得在描述逻辑中对不确定的知识进行形式化描述和推理更加方便。     

基于Racer和nRQL的本体查询与推理

语义网技术的兴起促进了本体技术的发展,本体作为语义网的基石,在知识表示与知识推理方面发挥着重要作用.本体描述语言与描述逻辑相结合,为本体推理的合理性和有效性提供了保证.在介绍描述逻辑及其系统的有关概念与查询推理机制的基础上,重点讨论了推理机Racer及其查询语言nRQL的功能,开发了一个基于Racer和nRQL的智能信息查询程序并应用于大学本体的信息查询.     

一种基于概念格胶合的模糊本体合并方法

为了解决本体异构问题,实现本体资源的共享和重用,需要进行本体集成。本体合并是集成的一种方式。本体对概念外延和内涵揭示得不够,对概念的表达深度不够。形式概念分析可以很好地表示和处理概念以及概念之间的关系,但是在语言表达和推理等方面还很不足,因此需要将它们结合起来表达和处理知识,提高语义表达能力。提出了一种基于模糊概念格胶合的模糊本体合并方法,为模糊本体集成提供了一种新的方法。     

粗糙本体构建的格-树转化方法

粗糙本体是处理不精确性信息的一种基础性工具,其存在形式是由粗糙概念和粗糙关系构成的树形结构。粗糙本体的具体形式因为参与构建的领域专家的不同而呈现多样性,然而同样也是由粗糙概念和粗糙关系构成的粗糙概念格却具有结构上的惟一性。粗糙本体的构建因而可以利用格和树的组成与结构的相似性,构建粗糙概念格,转化生成粗糙本体。探讨了格-树转化方法的实现步骤：构建粗糙概念格;聚类粗糙概念格中的粗糙概念生成粗糙概念树;转化粗糙概念树为粗糙本体。构建实例阐释了格-树转换方法的具体应用。     

支持模糊数据类型表示的模糊描述逻辑F-SHOIQ(G)

分析了现有描述逻辑在模糊知识和数据类型表示方面存在的问题,提出了一种新的模糊描述逻辑F-SHOIQ(G).F-SHOIQ(G)不仅能够表示模糊知识,而且能够表示含有自定义模糊数据类型及自定义模糊数据类型谓词的模糊数据信息.首先,给出了模糊数据类型域的概念和模糊数据类型表示的一般形式,在此基础上,定义了F-SHOIQ(G)的语法、语义及相应的知识库,进而给出了基于模糊Tableaux的F-SHOIQ(G)概念的可满足性推理算法.其次,将经典描述逻辑中的推理结构(该结构将Tableaux扩展规则推理和数据类型推理相分离)用于F-SHOIQ(G)的推理问题,设计了相应的模糊数据类型推理机.最后,详细证明了F-SHOIQ(G)概念的可满足性推理问题是可判定的.在数据类型表示方面,F-SHOIQ(G)具备比FSHOIQ更强的表达能力和推理能力,为语义Web表示和推理模糊数据信息提供了理论基础.     

DOF: a generic approach of domain ontology fuzzification

Although recent studies on the Semantic Web have focused on crisp ontologies and knowledge representation, they have paid less attention to imprecise knowledge. However, the results of these studies constitute a Semantic Web that can answer requests almost perfectly with respect to precision. Nevertheless, they ensure low recall. As such, we propose in this research work a new generic approach of fuzzification that which allows a semantic representation of crisp and fuzzy data in a domain ontology. In the framework of our real case study, the obtained illustrate that our approach is highly better than the crisp one in terms of completeness, comprehensiveness, generality, comprehension and shareability.     

直觉模糊粗糙推理的规则库完备性研究

针对规则库检验问题,提出了直觉模糊粗糙规则库的完备性检验方法.首先,引入直觉模糊粗糙集的概念,给出了直觉模糊粗糙规则库的完备性定义;其次,针对直觉模糊粗糙规则库的完备性,提出了完备性检验算法,指出如何设计规则库才能满足完备性要求;最后,通过实例验证了算法的合理性和有效性.     

基于粗糙集和模糊聚类的政务本体学习模型

根据政务信息资源的特点,提出了一种新的政务本体学习模型。首先通过命名实体获取领域概念,然后利用粗糙集和模糊聚类理论对模式匹配算法进行改进,进而采用改进的模式匹配算法获取领域概念之间的显式和隐式关系。大量的实践证明：利用该模型能够从庞大的政务信息资源中有效地进行政务本体学习,克服了传统模式匹配算法不能很好地获取概念之间隐式关系的问题。     

基于粗糙集理论的模糊模型及其在复杂控制系统中的应用

将粗糙集理论与模糊逻辑技术相结合,提出一种建立粗糙模糊模型的建模方法.运用粗糙集理论的基本概念和简约计算方法,从大量原始数据中发现精简的、概略化的规则来建立粗糙模糊模型,并提出了对模型进行扩充与完备化的概念.将该方法应用于化纤工业中抽丝冷却侧吹风非线性控制过程的仿真实验研究表明了该建模方法的有效性和可行性.     

语义Web粗糙本体：定义、模型和存储方法

在讨论语义Web粗糙本体定义、模型的基础之上,鉴于关系数据库是目前最通用的存储介质,提出了基于关系数据库的语义Web粗糙本体存储方法。重点讨论了语义Web粗糙本体的存储模式,并通过构建一个粗糙本体并其存储到关系数据库中。实例验证了所提出存储方法的有效性和可行性。     

事件本体中动作程度词的形式化研究

针对事件本体中动作程度词的形式化作了深入研究.首先从大量文本中提取程度词,进而根据其特征将其分为三类;然后找到一种完全覆盖此三类程度词的统一表示方法,用模糊逻辑将其形式化;最后通过实验验证其可行性.通过对三个分别代表各类的程度词进行形式化,验证了此方法的可行性.     

一种融合本体与粗糙集的文档相似度计算方法

针对向量空间模型VSM中,在计算文档相似度时要求文档标引词必须相互独立这一缺陷,提出融合本体与粗糙集的文档相似度计算方法。在该方法中,不仅可以利用本体对概念关系的准确揭示,计算文档之间的概念相似度,还可以结合粗糙集对相关概念实例的属性重要性进行度量,从而计算属性相似度,克服了传统方法需要依赖人的先验知识这一缺陷,最后综合形成文档语义向量相似度,并通过实验分析证明该方法可以在很大程度上提高文档相似度计算的准确性。     

直觉模糊序信息系统下变精度与程度的“逻辑且”粗糙集

通过综合考虑集合中元素的隶属度、非隶属度和犹豫度,定义了直觉模糊信息系统的加权得分函数。基于此得分函数,定义了直觉模糊信息下的优势关系,运用“逻辑且”的方式将变精度粗糙集和程度粗糙集结合起来定义了“逻辑且”粗糙集模型,并研究了其相关性质。最后,通过实例分析进一步体现了该研究的意义,为序信息系统的知识表示提供了新的理论基础。