农业智能系统的知识获取技术研究

作者及其团队长期针对农业领域的知识获取技术进行了系列性研究.阐述了运用智能引导、机器学习、数据挖掘、智能计算等技术的人工和自动/半自动的知识获取方法.这些方法能够有效地获取领域知识,发现隐含模式,进行知识精化.研发了知识获取工具.这些方法和工具反映了知识获取技术对农业信息工程所起的重要作用.     

发展心理学与智能系统构造

一、知识与认知过程不可分割在专家系统的构造时碰到两个难题:知识获取瓶颈和知识窄台阶,解决这两个问题的根本方法是通过机器学习来完善知识库,知识库是专家系统的核心,包括内容、结构和构造方法三个方面。在教育学看来,与学习相连的记忆过程是:将新的知识内化或组织到已有的知识结构中去,以便在将来的某一个时期可以利用或再现它,有时也将内化称为整合或同化。这个过程不是机械地储存,而是信息组合再加工。新学习     

智能系统中获取模糊规则的神经网络方法

智能系统中一类重要的定性知识要用模糊集理论中的模糊语言进行描述。本文在研究模糊定性知识形式描述和自组织竞争神经网络特性的基础上，提出了一种从一组具有数值特性的训练样本集中获取隶属函数和模糊规则的神经网络模型和方法。通过对Ｉｒｉｓ数据集的应用实验表明了该方法能对这一类数据进行有效的描述。     

面向农业领域的智能系统技术体系架构及其实现

阐述作者及团队对农业智能系统的技术体系架构取得的研究成果,包括运用专家系统、知识表示、推理机制、知识获取、开发平台,智能计算、机器学习、数据挖掘、本体论、人工生命等关键技术,探索在作物施肥、病虫害诊治、栽培管理,园艺以及畜禽水产养殖等方面,应用于决策支持、控制、预测、检索、仿真等,反映了智能信息技术面向农业领域,具有广阔的应用前景。     

智能系统开发中的软件重用

自从软件重用的概念提出以来，软件重用技术在应用系统，特别在大型系统的开发中发挥了极其重要的作用。新一代知识工程也要求采用软件重用技术来支持和促进大型智能系统的开发、运行和维护。     

粗糙集理论及其在智能系统中的应用

粗糙集理论是一种新型的处理含糊和不确定知识的数学工具，在智能系统中得到了广泛的应用，介绍了经典粗糙集理论的基本思想，上下近似集、属性约简和核等基本概念以及粗糙集的研究现状．介绍了粗糙集理论在智能系统中的应用，主要包括基于粗糙集理论的属性约简作为数据预处理的手段，基于粗糙集理论的相关性分析和基于粗糙集理论的系统建模和控制．指出了粗糙集理论在应用中遇到的问题和可能的研究方向。     

基于表示本体论的智能系统开发

知识建模，知识共享和综合集成是近年来研究的开发智能系统的新技术，但三者各自仅是一个层次的技术，不能形成经有力的方法论。本文提出基于表示本体论的智能系统开发方法ＯＭＳＩ，其以知识表示的本体论为贯穿线索和共同基础，把这三个层次的技术紧密综合在一起，支持     

基于遗传算法的模糊控制在智能系统中的应用

本文针以吊车系统为例给出了一种智能模糊控制器即分段切换因子模糊控制器，并运用遗传算法进行参数调整，确保吊车系统的精度，仿真结果表明，该控制器精度高、抗干扰能力强、实时性好。     

一种新型智能系统开发工具DEST

介绍了一种新型智能设计专家系统开发工具DEST的功能结构、构造关键技术与特性,首先基于对现有的智能设计工具在集成方面的不足分析,介绍了DEST的主要设计思路与框架结构,进而介绍了系统的主要功能;然后详细介绍了知识处理方法,即基于XML的面向对象知识处理方法;最后结合铣床设计实例分析了该DEST系统在人机协作、集成化方面的特色,并提出了后续发展方向。     

融合VSM技术的PageRank算法研究与应用

为解决PageRank算法存在的"主题漂移"问题,本文提出一种融合VSM(向量空间模型)技术的改进方法。首先根据网页的链接结构计算PageRank值,然后建立网页的内容特征向量空间,计算主题内容相似度,最后将这两个值按一定的权重系数进行融合计算,产生新的PageRank值。经过对比实验证明,改进后的PageRank算法减少了无关网页的数量,为搜索引擎提供了更好的排序结果。     

改进 PageRank 算法在犯罪网络分析中的应用

通过对已知部分嫌疑人的犯罪网络模型进行研究,较好解决了如何寻找潜在犯罪危险的问题。在网页排名算法 PageRank 的基础上,结合 SNA（社会网络分析）方法,改进了 PageRank 算法迭代过程,有效评价了与嫌疑人沟通人员的犯罪可能性大小,为解决此类社会网络分析问题提出了一个新的思路。     

PageRank算法研究

深入剖析了著名搜索引擎Google的关键技术PageRank算法,介绍分析了该算法的当前发展现状。并针对PageRank算法容易出现主题漂移现象,利用提出的二阶相似度改进算法。实验表明,改进的算法有利于减少主题漂移现象,提高用户对检索结果的满意度。     

改进的PageRank在Web信息搜集中的应用

PageRank是一种用于网页排序的算法,它利用网页间的相互引用关系评价网页的重要性.但由于它对每条出链赋予相同的权值,忽略了网页与主题的相关性,容易造成主题漂移现象.在分析了几种PageRank算法基础上,提出了一种新的基于主题分块的PageRank算法.该算法按照网页结构对网页进行分块,依照各块与主题的相关性大小对块中的链接传递不同的PageRank值,并能根据已访问的链接对块进行相关性反馈.实验表明,所提出的算法能较好地改进搜索结果的精确度.     

Google的PageRank技术分析

讨论了PageRank的计算方法,并对PageRank值的计算公式进行了修正,最后给出了改进的建议.     

基于分解转移矩阵的PageRank迭代计算方法

本文提出了一种基于分解转移矩阵的PageRank的迭代计算方法。该方法对PageRank理论模型进一步推导,把其Markov状态转移矩阵进行了分解,从而降低存储开销和计算复杂度,减少I/O需求,使得PageRank计算的工程化实现更为简单。实验表明1 700多万的网页2.8亿条链接,可以在30秒内完成一次迭代,内存需求峰值585MB,可以满足工程化应用的需求。     

基于PageRank与Bagging的主题爬虫研究

为克服主题爬虫主题漂移现象,提高搜索引擎的查准率和查全率,提出了一个基于PageRank算法与Bagging算法的主题爬虫设计方法.将主题爬虫系统分为爬虫爬行模块和主题相关性分析模块.利用一种改进的PageRank算法改善了爬虫的搜索策略,进行网页遍历与抓取.用向量空间模型表示网页主题,使用Bagging算法构造网页主题分类器进行主题相关性分析,过滤与主题无关网页.实验结果表明,该方法在网页抓取的性能上和主题网页的查准率上都取得较好的效果.     

基于层次分类的页面排序算法

提出了一个基于层次分类的搜索引擎页面排序算法。该算法通过对页面进行层次化分类进而计算页面之间相关性,根据相关性的不同,对来自不同页面的外部链接赋予不同的权重,从而更公正、有效地计算页面的PageRank值。层次分类体系更合理地反映了页面的自然属性,也为设计更为高效的页面分类算法提供了方便。该算法与PageRank在在线计算复杂度方面完全一样,是非查询关键词相关的算法,能够高效地完成在线搜索,具有良好的可伸缩性。     

新的PageRank优化算法

为了克服PageRank在搜索过程中重复性地把当前受欢迎的网页放在搜索结果的首要位置,而不受欢迎的网页被大多数用户忽略的问题,采用了一种改进的评估函数及有效的用户模型,获得了一个新的PageRank优化算法。实验结果表明,该算法达到了较好的公平性。     

基于Map-Reduce的PageRank算法设计

随着网络信息量的急速增长,搜索引擎搜索信息的准确、高效显得尤为重要。PageRank算法是根据网页间链接关系对网页进行评分的算法之一,在细致剖析Map-Reduce计算模式的基础上,提出了对PageRank算法的改进策略。