排序方式: 共有63条查询结果,搜索用时 15 毫秒
1.
介绍了骨质疏松的生理原因和带有力学调控系统的各向异性骨再造模型,应用该模型以有限元为手段进行了妇女绝经后的骨质疏松的数值模拟。研究结果表明:妇女绝经后的骨质疏松是生物学因素和力学因素共同作用的结果。当妇女绝经后,由于肌肉力量的降低和活动量的减少而导致外载荷下降20%时,骨量相对于绝经前丢失25%以上,证明了力学因素在预防和治疗骨质疏松中的重要作用。为妇女绝经后骨质疏松的诊治提供了一个新的思路。 相似文献
2.
大规模领域本体的快速发展对语义Web领域的数据访问提出了更高的要求,而基本的本体推理服务已不能满足数据密集型应用中处理复杂查询(主要是合取查询)的迫切需要.为此,大量的研究工作集中在本体和描述逻辑知识库合取查询算法的设计实现上,并开发出了很多知识库存储和查询的实用工具.近来模糊本体和模糊描述逻辑的研究,特别是它们在处理语义Web中模糊信息方面,得到了广泛关注.文中重点研究了模糊SH这一族极富表达能力的描述逻辑知识库的合取查询问题,提出了相应的基于推演表的算法,证明了算法对于f-SHOIQ的真子逻辑的可靠性、完备性和可终止性.证明了算法对于f-SHOIQ是可靠的,并分析了导致算法不可终止的原因.对于该问题的数据复杂度,证明了当查询中不存在传递角色时其严格的CONP上限.对于联合复杂度,汪明了算法关于知识库和查询大小的CO3NEXPTIME时间复杂度上限. 相似文献
3.
一种支持自定义模糊数据类型表示的模糊OWL扩展 总被引:1,自引:0,他引:1
语义网需要能够以一种智能的方式来表示和处理模糊知识与数据信息,但最近的研究证明,OWL在数据类型表示方面存在严重的局限性:首先,它不能处理在语义网和本体中广泛存在的不精确以及不确定信息;其次,它不支持自定义数据类型及自定义数据类型谓词的表示。为了解决上述局限性,提出了一种新的模糊描述逻辑F-SHOIN(G),给出了F-SHOIN(G)的语法、语义。然后,以F-SHOIN(G)为逻辑基础,并结合RDF/XML的语法规范,重新编码f-OWL中的描述算子,用来表示模糊本体知识,形成f-OWL。f-OWL不仅能够表示本体中的模糊知识,而且能够表示本体中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,为模糊本体的研究提供了新的表示方法。最后,还给出了由OWL文件到f-OWL文件的转换规则,从而实现了f-OWL对OWL的兼容。 相似文献
4.
马宗民 《计算机研究与发展》1996,33(1):39-46
本文在[1]扩展关系模型中引入属性级的不完全信息空值。为适应此环境下更新操作的需要,本文对[1]中的扩展关系模型进行了进一步的扩展,并以此模型为基础讨论了空值环境下含不确定及可能信息关系数据库的更新操作的策略,给出了相应的处理算法。 相似文献
5.
在日常交流中,人们常常会对同一事物同时使用正面的描述和负面的描述来表达其愿望和不满,由于不要求正、负面的描述必须相互对称,此类信息因而被称为异构双极(Heterogeneous bipolarity)信息.传统信息系统中的模糊查询方法,不能很好地处理用户查询需求中所含有的异构双极信息.本文基于可能性数据库,在限定的条件下,以在模糊查询选择操作的基本查询条件中,能够处理异构双极信息为目标,将Vague集用于异构双极信息的建模,并给出了在基本查询条件中含有异构双极信息的情况下,查询结果相关可能性测度和必要性测度的计算公式,同时还通过实例讨论了该方法的语义、特点及其与基于可能性理论方法的一致性. 相似文献
6.
7.
通过分析描述逻辑与面向对象数据模型之间的关系,研究了基于描述逻辑的模糊面向对象数据(fuzzy object-oriented data,简称FOOD)模型的表示与推理.首先,进一步研究了FOOD模型,提出了FOOD模型的形式化定义和语义定义,以便更好地在FOOD模型与模糊描述逻辑之间建立对应关系;然后,针对FOOD模型的特点和推理需求,介绍了模糊描述逻辑f-ALCIQ.在此基础上,研究了基于f-ALCIQ的FOOD模型的表示与推理,包括:实现了从FOOD模型到f-ALCIQ知识库在结构层和实例层上的转化,即实现了从FOOD模型到f-ALCIQ TBox的转化,以及从FOOD模型相应的数据库实例到f-ALCIQ ABox的转化;进而,基于转化得到的f-ALCIQ知识库,研究了如何利用f-ALCIQ的推理机制对FOOD模型的推理问题(一致性、包含性和冗余性等)进行推理;最后,设计并实现了基于f-ALCIQ的模糊描述逻辑推理机(FRsQ推理机),实现了对FOOD模型和f-ALCIQ模糊概念知识的自动推理. 相似文献
8.
随着大数据时代的到来,对异构和分布式的模糊XML数据管理显得越来越重要。在模糊XML数据的管理中,模糊XML文档的分类是关键问题。针对模糊XML文档的分类,提出采用双隐层极限学习机模型来实现模糊XML文档自动分类。这个模型可以分为两个部分:第一层采用极限学习机提取模糊XML文档的相应特征,第二层利用核极限学习机根据这些特征进行最终的模糊XML文档分类。通过实验验证了所提方法的性能优势。首先对主要的调节参数包括隐藏层节点的数目[L],常量[C]和核参数[γ]进行了研究,接下来的对比实验说明提出的基于双隐层ELM(Extreme Learning Machine)的方法相较于传统单隐层ELM以及SVM(Support Vector Machine)方法,分类精度得到较大提高,训练时间进一步缩减。 相似文献
9.
10.