语义多策略结合匹配算法

针对单一的本体匹配策略和现有的多策略匹配存在的问题。提出了一个多策略结合方式,该方法对部分关键策略进行了改进并通过引入丰富度、平衡度和区分度优化了多策略结合方式。实验表明,该方法在保证查全率的同时可以明显提高查准率,进而获得更准确的映射结果。     

基于本体映射的多本体查询方法

随着语义网的发展,本体已经成为很多领域表达知识的主要手段。许多领域都根据自己的需求建立了本体来描述本领域内的知识。但是目前许多针对本体的语义查询只能对一个本体进行查询。为了实现一个查询能够对多个本体进行访问并且返回适当的查询结果,文中提出了一种利用本体映射实现对多本体的查询方法。其中的映射方法是一种基于语义的多策略结合方式。通过实验发现查询的速度与本体的数量基本呈线性关系且不会因为本体异构程度而增加。     

基于本体映射的多本体查询方法

随着语义网的发展,本体已经成为很多领域表达知识的主要手段.许多领域都根据自己的需求建立了本体来描述本领域内的知识.但是目前许多针对本体的语义查询只能对一个本体进行查询.为了实现一个查询能够对多个本体进行访问并且返回适当的查询结果,文中提出了一种利用本体映射实现对多本体的查询方法.其中的映射方法是一种基于语义的多策略结合方式.通过实验发现查询的速度与本体的数量基本呈线性关系且不会因为本体异构程度而增加.     

基于可信度的多策略本体映射

针对本体映射中各种策略不能依据本体间的差异进行不同映射处理以及多策略结合时权值分配不合理的问题,提出一种本体映射方法。该方法对各种映射策略根据当前映射任务的特点进行自适应处理,在映射过程中对不同策略的可信度做自适应计算,依据可信度进行多策略结合,得到最终的映射结果。实验结果表明,该方法在保证通用性和稳定性的同时,能提高映射的查准率。     

一种改进的多策略映射与结合方式研究

针对目前大多数本体映射方法在应用于不同的映射任务时,各种映射策略不能对本体间的差异进行不同的处理,多策略结合时也没有充分利用本体的语义信息的问题,提出了一种改进的多策略映射与结合方式的方法。该方法对部分关键映射策略进行了改进,并通过对多策略的评价,考虑是否利用模糊层次分析法最优地结合各种策略。实验表明,该方法在保证通用性和稳定性的同时,提高了映射结果的查全率和查准率。     

基于AHP的多策略映射与集成方法

针对目前本体映射中使用多策略计算概念间相似度和对相似度进行集成时存在的问题,对部分关键策略进行相应的改进,提出利用层次分析法对多策略计算出的相似度进行定量的权值分配。实验结果表明,该方法对多策略的改进是有效的,可较好地区分不同策略得出的相似度对映射结果的重要程度,提高本体映射的查准率。     

动态多策略本体映射与集成方法研究

针对目前多策略本体映射中各种映射策略不能根据待映射本体间的差异进行不同的映射处理、多策略集成时也没有充分利用本体包含的语义信息等问题。提出了一种动态多策略本体映射与集成方法,该方法首先对部分关键策略进行了动态地改进,然后利用层次分析法对不同的映射策略进行集成,从而得到最终的映射结果。实验结果表明,该方法在保证通用性和稳定性的同时,提高了映射结果的查全率和查准率。     

一种基于贝叶斯网络模型及多策略计算的本体映射方法

本体是共享概念模型的明确的形式化规范说明,本体映射是实现异构本体之间知识共享、重用的关键技术.结合本体和贝叶斯网络模型以及多策略方法,本文提出一种新的本体映射方法——基于贝叶斯网络模型及多策略计算的本体映射方法MSBN(Mapping based on Multi-Strategy and Bayesian Network).MSBN首先将本体模型转换成贝叶斯网络模型.然后使用多策略方法(Multi-Strategy)计算不同贝叶斯网络模型节点之间的相似度,并为所有节点生成相似度表ST(Similarity Table).最后,使用迭代的映射推理过程,从相似度表中推理出新的映射关系.     

基于语义Web的本体映射

本体映射是在使用不同本体的代理或服务之间实现互操作的核心工作。选择多种策略添加候选映射对．并使用多种相似度度量方法。这些度量方法都是基于本体的某种特征来计算，然后在本体专家的参与下．对根据各种特征计算的结果选择不同的权值，进行综合，最终结果体现出实体在各个层次上的相似度。这些层次包括实体层、语义层和描述逻辑层。     

基于语义Web的本体映射

本体映射是在使用不同本体的代理或服务之间实现互操作的核心工作。选择多种策略添加候选映射对,并使用多种相似度度量方法。这些度量方法都是基于本体的某种特征来计算,然后在本体专家的参与下,对根据各种特征计算的结果选择不同的权值,进行综合,最终结果体现出实体在各个层次上的相似度。这些层次包括实体层、语义层和描述逻辑层。     

Hidden Markov Modeling for Semantic Analysis—On the Combination of Different Decoding Strategies

Different strategies to enhance the semantic decoding accuracy of a stochastic parser are discussed and comparatively evaluated on a corpus containing dialogues between two persons scheduling a meeting. Using a stochastic parsing method the human effort can be limited to the task of data labeling, which is much simpler than the design, maintenance and extension of grammar rules, especially for non-experts. Since a stochastic method automatically learns the semantic formalism through an analysis of these data, it is comparatively flexible and robust and can easily be ported to different applications, domains and human languages. The performance of the parser was improved by subsequently adding valuable and removing redundant semantic information, as well as by combining several decoding methods either sequentially or in parallel.     

Semantic Mapping Using Mobile Robots

Robotic mapping is the process of automatically constructing an environment representation using mobile robots. We address the problem of semantic mapping, which consists of using mobile robots to create maps that represent not only metric occupancy but also other properties of the environment. Specifically, we develop techniques to build maps that represent activity and navigability of the environment. Our approach to semantic mapping is to combine machine learning techniques with standard mapping algorithms. Supervised learning methods are used to automatically associate properties of space to the desired classification patterns. We present two methods, the first based on hidden Markov models and the second on support vector machines. Both approaches have been tested and experimentally validated in two problem domains: terrain mapping and activity-based mapping.     

一种新颖的低层视觉特征到高层语义的映射方法*

通过在低层视觉特征上提取图像的局部颜色和纹理特征,再利用模糊神经网络建立低层视觉特征和高层语义特征之间的映射,实现了图像属性信息的有效传递和可靠检索.最后,为了提高检索效率,把相关反馈引进到图像检索系统中.实验证明,该方法取得了较好的检索查全率和准确率.     

Semi-supervised Semantic Mapping Through Label Propagation with Semantic Texture Meshes

International Journal of Computer Vision - Scene understanding is an important capability for robots acting in unstructured environments. While most SLAM approaches provide a geometrical...     

基于优先级的组合映射方法研究

在组合映射方法的基础上,提出一种依据领域和相似度计算优先级（名称、属性、实例、结构相似度计算）的映射方法,该方法根据不同领域由领域专家提供对应优先级,进而得到映射方法,并产生计算结果,在某种程度上大大减少映射的计算量和计算时间。     

Herbrand基上的启发式语义映射

一、引言 在逻辑程序中允许负文字出现,极大地增强了逻辑程序的表达能力,但同时也其语义定义带来了困难。可以说,至今还没有一种好的方法来定义一般逻辑程序的语义。     

语义Web中的本体自动映射

分布式语义信息集成足语义Web面临的六大挑战之一．本体映射是语义集成的关键．文章基于贝叶斯决策理论提出最小风险的本体映射模型;RiMOM（Risk Minimization based Ontology Mapping）．RiMOM将映射发现问题转换成风险最小化问题,提供了一个多策略的本体映射方法．该方法不仅在1：1的映射上取得了较好的效果,还实现了n：1映射,实验表明在几个公开的数据集上,RiMOM可以取得比同类方法更高的查准率和查全率．     

基于框架复合的语义限定

将人工智能(Artificial Intelligence, AI)领域的理论和技术与地理信息系统(Geographic Information System, GIS)相结合来设计地理信息系统专题分析模型是GIS的重要发展方向之一。本文基于这一背景讨论了GIS专题知识的表示,提出了扩展的框架知识表示方法以及框架复合的思想,并进一步阐述了通过框架复合操作对概念语义进行限定以达到语义精确化。