基于扩展标记的改进本体概念分类算法

研究Pellet系统本体概念分类算法及其优化技术,在此基础上给出一种基于扩展标记的改进算法。该算法通过概念间已知的包含关系,控制分类过程中遍历时概念加入的顺序,并最大程度地双向传播这些关系,从而有效地降低概念包含测试的次数。验证结果表明,该算法的概念分类性能平均提高约22%。     

基于互补概念和搜索图的MUPS求解优化方法

本体调试是人工智能中非标准推理任务之一,对于本体工程具有很重要的意义.本文结合互补概念与基于术语集的搜索图提出极小不可满足子术语集求解的优化方法.首先,通过判断扩展的术语集是否包含互补概念,确定该子术语集是否需要进行概念可满足性检测,可以有效减少推理机的调用次数.接着,根据术语集扩展过程构造一个术语集搜索图,分别采用宽度优先搜索和深度优先搜索策略快速查找不可满足子术语集.该优化方法一方面减少了待测子术语集的规模,另一方面提高了查找不可满足子术语集对应的节点的查找效率.最后,实现了本文给出的各类优化算法并与现有的黑盒优化算法进行了比较.实验效果表明,本文方法从推理机调用次数和待测术语集规模方面均优于现有的MUPS求解方法,能够有效提高求解术语集MUPS的效率.     

层叠推理机的设计与实现

在充分理解现有本体推理机的相关技术基础上,提出一种层叠推理机,研究层叠推理机的设计和实现方法。在实验中运用了Pellet推理机和Jena的自定义规则,实现了本体的语义推理。实验结果表明,该方法能够弥补传统推理机中采用单一的语义推理技术所引起的不足,比单一的推理机更有效地挖掘出本体中包含的隐藏信息。     

面向智慧旅游的文物领域本体构建及推理

现有文物旅游智能技术不能满足用户个性化需求,为此提出一种本体构建与规则推理的研究方法。通过构建一个面向智慧旅游的文物领域本体,对本体进行一致性检测推理,使构建的本体不存在矛盾;基于描述逻辑将本体知识库中的逻辑概念关系用语义网规则语言(semantic web rule language,SWRL)表示;将构建的本体和规则放入Pellet推理机中推理出新知识。结合实例验证了该方法的准确性,其能够满足用户潜在需求。     

语义Web中本体概念的语义匹配分离方法

本体概念能够有效表达Web服务的语义信息,可通过推理机实现自动语义匹配,但推理机的推理过程比较耗时,会对服务计算技术多个环节的效率产生很大影响。以本体概念间的匹配度为基础,建立公共本体概念库,可在不影响本体概念表达能力的前提下,实现语义匹配过程的分离。为适应公共本体概念库的动态特性,给出对其进行更新(添加、删除和修改)的算法。实验结果表明,该方法大幅提高了语义匹配的效率,且不会对语义匹配的性能产生影响。     

基于ε-Connections的旅游领域本体构建

针对传统本体构建方法的局限性,提出一种基于ε-Connections 理论构建旅游领域模块化本体库的方法,基于改进的Tableau 算法,利用Pellet 推理机实现对多个本体的联合推理.实验结果证明,该模块化构建方法可以有效降低本体构建的复杂度,有利于本体的维护和更新,提高本体重用模块抽取效率.     

基于?-Connections的旅游领域本体构建

针对传统本体构建方法的局限性,提出一种基于?-Connections理论构建旅游领域模块化本体库的方法,基于改进的Tableau算法,利用Pellet推理机实现对多个本体的联合推理。实验结果证明,该模块化构建方法可以有效降低本体构建的复杂度,有利于本体的维护和更新,提高本体重用模块抽取效率。     

基于本体的空管人为差错分析研究与应用

为实现空管人为差错致因及危险等级语义分析,开发人为差错本体分析软件。通过空管运行人为差错(HeraJanus)及人为差错预测(Hera-Predict)手册中获取的领域知识构建领域本体;结合事故调查报告知识创建存储本体,建立Hera-Janus本体知识库,根据类与个体之间的关系定义Jena推理规则。通过Eclipse平台中的Jena应用调用Pellet推理机分析实际案例,在人机交互界面给出差错类型及危险程度,其结果表明了空管事故智能化分析的有效性和可行性。     

一种使用启发式搜索优化的模糊规则分类方法

文章提出了一种基于模糊规则的分类方法。该方法首先介绍了基于模糊C均值聚类的模糊规则提取,然后利用所建立的模糊规则库设计了一种分类算法,并且利用启发式搜索来精简分类规则。使用IRIS数据对该文的方法进行了性能测试,结果表明该方法在训练样本较少的情况下,能得到很好的分类效果,并且通过规则精简,所使用的规则数目大大下降,而分类性能更加优良。     

一种适于多维的快速包分类算法

包分类是多种网络应用的关键性技术,包分类算法的性能对网络的时延和吞吐量有决定性的影响。文章介绍一种适于多维的快速包分类算法——RFC算法,论述了算法的原理和实现算法,将RFC算法与几种常见的分类算法作仿真比较,阐述了RFC算法的优越性。     

一种基于模糊规则的分类方法

本文提出了一种基于模糊规则的分类方法。首先介绍了一种新的模糊规则提取方法,然后基于所提取的模糊规则给出了一个采用二级判决的分类算法,并利用IRIS数据对此分类算法进行了仿真测试。结果表明,该算法在训练样本较少的情况下,仍能得到很好的分类效果.     

一种高性能包分类渐增式更新算法

包分类是第4层线速数据包输入处理的核心问题之一，当前包分类问题研究的重点是最差情况下，规则数达到百万、多维的动态算法。尝试格（grid of tries）算法的优点是查找时间复杂度与规则数无关，空间复杂度接近线性；缺点是没有支持渐增式更新的算法，即它是一种静态算法，并且仅支持二维。在此提出了一种尝试格的渐增式更新算法，使之成为动态算法。最终提高了尝试格算法的综合性能。     

一种模糊规则提取方法的研究

提出了一种基于改进的模糊 C 均值聚类的模糊规则提取方法。然后基于所提取的模糊规则给出了一种分类算法,并利用 IRIS 数据对此分类算法进行了仿真测试。结果表明,该算法在训练祥本较少的情况下,仍能得到很好的分类效果,由此说明所提出的模糊规则生成方法有效。     

基于结构性质保持和相关性学习的多标记分类算法

现有的多标记学习技术大多只考虑了相关性学习问题而忽略了数据因变换而引起的结构性质不一致问题,导致原始特征数据的结构性质因映射变换发生改变,从而影响了模型的分类性能。为了解决这一问题,提出了基于结构性质保持和相关性学习的多标记分类算法。首先,构造了线性映射函数以实现特征空间与标记空间的映射;然后借鉴图正则化思想,引入基于特征数据的结构性质保持策略以降低特征数据因线性变换引起的结构性质差异;最后,针对标记数据引入基于标记对的相关性学习策略进一步优化算法参数,以提高模型的分类性能。在不同规模的标准数据集上进行测试,结果表明所提算法与一些流行的多标记分类算法相比具有更优的分类性能,验证了所提算法的有效性。     

基于主题相似性聚类的自适应文本分类

传统的文本分类方法仅使用一种模型进行分类,容易忽略不同类别特征词出现交叉的情况,影响分类性能。为提高文本分类的准确率,提出基于主题相似性聚类的文本分类算法。通过CHI和WordCount相结合的方法提取类特征词,利用K-means算法进行聚类并提取簇特征词构成簇特征词库。在此基础上,通过Adaptive Strategy算法自适应地选择fasttext、TextCNN或RCNN模型进行分类,得到最终分类结果。在AG News数据集上的实验结果表明,该算法可较好地解决不同类别特征词交叉的问题,与单独使用的fasttext、TextCNN、RCNN模型相比,其文本分类性能显著提升。     

一种基于范围搜索的并行多维分类算法PRSMC

针对高速网络应用对基于范围查找的分组分类算法的要求以及高性能并行计算环境的特点,提出了一种高速多维分组分类算法——PRSMC(基于范围搜索的并行多维分类)算法。该算法具有较快的搜索速度和较强的并行性,特别适合在多CPU多核高性能计算机上实现。同时提出了算法的双缓冲并行实现技术,使得在软件环境中具有良好空间和时间性能。性能实验表明该算法具有良好的可扩展性,算法速度较同类基于区域划分的算法有较大提升,平均分类速率能达到1Mpkt/s左右。     

基于多类邻域三支决策模型的不平衡数据分类

不平衡数据分类是一种重要的数据分类问题。对于不平衡数据中规模较小的类,传统的分类算法的分类效果较差。对此,提出一种多类邻域三支决策模型的不平衡数据分类算法。首先,将传统的三支决策在混合数据和多个类的情形下进行推广,提出了混合数据的多类邻域三支决策模型;然后,在该模型中给出一种自适应代价函数的设定方法,并基于该方法提出了多类邻域三支决策模型的不平衡数据分类算法。仿真实验的结果表明,所提出的分类算法对于不平衡数据具有更好的分类性能。     

基于K-近邻法的局部加权朴素贝叶斯分类算法

分类算法一直以来都是数据挖掘领域的研究重点,朴素贝叶斯分类算法是众多优秀分类算法之一,但由于其条件属性必需独立,使得该算法也存在着一定的局限性。为了从另外一种角度来改进该算法,提高分类性能,提出了一种基于K-近邻法的局部加权朴素贝叶斯分类算法。使用K-近邻法对属性加权,找到最合适的加权值,运用加权后的朴素贝叶斯分类算法去分类,实验表明该算法提高了分类的可靠性与准确率。