基于面部微表情的动画关键帧二次嵌套插值法

微表情是源于人的情感表情的真实体现，在动画制作的过程中无论是二维动画还是三维动画的人物表情都需要尽量模拟真实人物面部表情。微表情动画关键帧嵌套指在参考真实微表情数据的基础上，形成模拟的微表情图形，将图形的关键帧在已有的表情动画关键帧序列基础上进行二次嵌套插入，对面部表情进行精细化的动画模拟。基于人面部微表情库的数据来对关键帧数据进行图形创建和插入，实验结果比没有插入微表情关键帧的动画效果更加生动，动画制作模拟精度更高，更有带入感。此方法对于提高二维动画、三维动画和VR模拟人物面部动画效果都具有一定的实用价值。     

OWL-S过程模型的形式化描述与相容性分析

构建组合服务的形式化模型是对其进行验证的前提与基础,然而缺乏统一的构建框架使得建模过程变得难以把握且无法实现自动化。通过对确定型有限自动机的扩展,建立了用于描述OWL-S过程模型的有限迁移系统——服务过程自动机,为组合服务的形式化建模提供了统一框架和自动化基础。同时,通过分析服务过程自动机的可接受位置及其在组合过程中可能产生的约束,将相容性划分为三个等级,从而能够在不同强度的可靠性要求下进行组合服务的验证工作。     

基于小波变换与差分变异BSO-BP算法的大坝变形预测

针对现有大坝变形预测模型的预测精度不高、BP神经网络的参数和结构很难确定且容易陷入局部极值等问题,通过引入小波变换理论把原始的大坝变形序列分解成多个子序列,然后对每个子序列使用头脑风暴优化算法(brain storm optimization,BSO)优化BP神经网络的参数和结构.同时,把差分变异思想引入BSO算法,建立一种基于小波变换和差分变异头脑风暴算法优化BP神经网络的大坝变形预测模型.实验结果表明,与其他预测模型相比,所提出的预测模型具有更高的预测精度.     

基于NSGA-Ⅱ的大规模本体映射方法

现有的基于进化算法的本体映射技术在面对大规模本体映射问题时,由于搜索空间太大导致算法效率低下,从而使其无法有效地在实际中得到应用。针对这一问题,提出了基于快速非支配排序的多目标遗传算法(NSGA-Ⅱ)的大规模本体映射方法。该方法通过三个步骤来映射本体:1)通过基于邻居相似度的划分算法来将源本体划分为不相交的概念块;2)通过相关概念过滤方法来确定目标本体中同源本体概念块相关的概念块;3)使用NSGA-Ⅱ方法来完成概念块之间的映射并通过贪心算法集成最终的结果。使用OAEI 2012的小规模的书目本体测试数据集和大规模的生物医学本体测试数据集对所提出的方法进行测试。同OAEI 2012的参与者的比较结果表明,所基于NSGA-Ⅱ的大规模本体映射方法能够在较短的时间内获取较好的本体映射结果,因此该方法是有效的。     

基于局部标准匹配结果的本体匹配技术

针对已有的基于进化算法的本体匹配技术要求事先提供完整的标准匹配结果的缺陷,提出一种基于局部标准匹配结果的本体匹配技术．首先提出通过本体概念聚类算法以构建局部标准匹配结果,并在此基础上建立基于局部标准匹配结果的本体匹配问题的多目标优化模型;然后设计一种基于局部标准匹配结果的MOEA/D算法;最后,采用2012年的本体匹配评价竞赛的测试数据集进行实验,实验结果表明所提出的方法是有效的．     

基于句法分析的代码摘要技术

针对词袋模型忽略了词条之间语义关系和概念结构的问题,提出一种基于句法分析的代码摘要技术。首先,该技术利用词性标注识别出最有可能体现代码特性的关键词;然后,通过块分析修正在词性标注过程中可能引入的错误;其次,对标识出的关键词进行降噪,以减少文本噪声带来的不利影响;最后,从关键词中选取若干个权值最高的词以组成代码摘要。实验结果表明,与基于词频-逆文档频率(TF-IDF)和基于TF-IDF扩展的代码摘要技术对比,所提技术生成的代码摘要与参考答案的重叠率(overlap)至少分别提高了9%和6%,说明该技术能够生成更加准确的代码摘要。     

使用遗传算法实现基于实例的本体映射

提出了一种新颖的基于实例的本体映射方法,即通过遗传算法确定最优实例间的映射集合,并通过相似度扩散算法获取高准确率的本体映射结果.文章描述了实例相似度度量技术和upPropagation算法,给出了本体映射问题的单目标优化模型,论述了使用遗传算法求解该问题的3个关键步骤,最后通过实验验证.实验表明,采用遗传算法实现基于实例的本体映射方法,可以获取高准确率的本体映射结果.     

基于遗传算法的本体映射技术

由于语义网分散的本质,同一个概念在不同的本体中可能有不同的定义方式,这就引起了所谓的本体异质的问题.本体异质问题严重地影响领域知识之间的共享,已经成为语义网应用系统间的交互与协作的瓶颈.目前用于发现本体中实体间的语义对应关系的本体映射技术成为语义网发展的关键技术.鉴于本体映射过程复杂的本质,文章为本体映射过程建立了单目标优化模型,并提出采用遗传算法来确定不同本体中实体间的对应关系.实验结果表明,所提出的方法是有效的.     

一种基于命名实体识别的需求跟踪方法

针对基于文本的需求跟踪方法严重依赖文本质量的问题,提出了一种利用命名实体识别技术标注制品文档关键词的需求跟踪方法。该方法通过代码实体上下文构建命名实体识别模型,解决了抽象语法树和正则表达式无法解析非源代码形式的软件制品的问题。利用命名实体识别模型标识出软件制品中的代码实体之后,方法将软件制品转换为文档集合并进行语义聚类,最后再通过映射算法创建制品间的需求跟踪关系。实验结果表明,与基于所有词项和基于高权重词项的需求跟踪方法相比,该方法能够有效提高需求跟踪结果的质量。     

通过混合多目标优化算法优化本体映射结果

提出采用混合多目标优化算法以解决优化三类不同的相似度度量技术(基于语法学的相似度度量,基于语言学的相似度度量和基于分类学的相似度度量)的映射结果集成的问题.比起传统的基于遗传算法的方法,本文提出的方法能够同时实现三个目标,即最大化映射的查全率recall、查准率precision和f-度量f-measure值,获取的本体映射结果能够避免对于查全率或是查准率的偏好.实验结果表明本文提出的方法是有效的.