基于本体的产品命名实体识别研究

论述了近年来国内外在常规命名实体识别方面研究工作的进展状况,针对其中最为关键的产品命名实体识别技术,考虑到领域本体对产品命名实体识别的支持,提出了将本体特征融入到统计模型中,结合词性特征、上下文特征,以及本体特征的多特征模型进行产品命名实体识别实验,实验结果证明,该方法能有效地提高产品命名实体识别的性能。     

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.     

基于信息编码本体化模型的本体映射技术

本体理论与信息编码技术的结合在制造企业领域内的应用,是解决制造企业信息集成的探索性方法.文章深入研究了基于信息编码本体化模型的本体映射方法,分析了映射执行机理,设计了语义相似度的计算方法和流程.①分析了信息编码本体化模型的特点及其失配类型,设计了映射模型的总体框架;②对映射模型的原理及构成要素进行了详细的分析设计;③从语义相似性分析、语义相似算法表达和语义映射与执行3个方面详细设计了本体模型的映射算法;④对映射流程的实现过程和实现案例进行了分析设计,验证了映射模型的有效性;最后,从模型特征、映射依据和映射执行能力3个方面,总结了基于信息编码本体化模型的本体映射技术的特点.     

基于本体特征的汽车领域命名实体识别

针对汽车领域命名实体识别中汽车属性名识别的准确率和召回率较低的问题,提出了一种基于本体特征的汽车领域命名实体识别方法。通过扩展现有叙词表,基于叙词表构建汽车领域本体,提取语料中的本体特征,利用CRFs模型对汽车领域命名实体进行识别。实验结果表明,本体特征能够有效地识别出汽车属性实体,准确率、召回率和F值分别为75.60%,66.12%和70.54%。     

一种基于多种类型匹配器的本体映射方法

不同本体之间的异构性严重地影响了本体之间的知识共享与重用,为此,提出一种基于多种类型匹配器的本体映射方法 OM-Matchers(Ontology mapping based on multiple matchers).在建立本体之间映射关系的过程中,OM-Matchers先使用多个类型的匹配器从本体模型中抽取相应类型的信息;然后这些匹配器为概念对计算相似度值,其中概念对所包含的两个概念来自于不同的本体;最后为待映射的本体模型建立相似度矩阵,并采用迭代策略完成本体映射任务.为了验证本文所提方法在处理本体映射问题时的可行性与有效性,采用OAEI所提供的共享数据集的benchmarks子集来测试OM-Matchers.实验结果表明:OM-Matchers可以有效地建立异构本体之间的映射关系.     

基于跨本体语义相关的三维模型检索方法

针对某些特定领域的建模中单一的语义检索条件无法得到理想的检索结果,提出了基于跨本体的语义相关度进行检索的算法。首先构建相关领域的本体,然后对已有实例进行分析,通过聚类算法找出模型本体间具有相关性的属性。再通过调查获取用户对实例的评价数据,对深度信念网络进行训练,求出本体间相关语义属性的相关度权值。最终对模型库中的模型计算与检索模型间的相关度作为检索条件,将大于一定阈值的模型作为检索结果。应用该算法,用户一般在检索首页可以找到较满意的模型,大大缩短了检索的时间。     

一种基于参考本体的多本体映射方法

随着领域内本体数量的不断增多,很多本体映射方法已经不适用于多本体映射任务。为此,提出一种基于参考本体的多本体映射方法 (multiple ontology mapping based on reference ontology,MOM RO)。在多本体映射过程中,方法MOM RO从源本体集合中提取共享概念集合并建立参考本体;然后利用参考本体来构建一个统一的向量空间模型;然后,将源本体中的概念表示成该模型中的向量,从而使用向量之间的欧氏距离来计算概念之间的相似度;最后,建立源本体之间的映射关系。实验结果表明,方法MOM RO可以有效地完成多本体映射的任务。     

用矩阵实现模糊本体映射

当前的本体映射技术主要是针对明确概念集合的本体,这些技术无法处理语义网上的不确定信息。文中提出了扩展现有本体映射方法来支持不确定信息的本体映射。这种扩展称为模糊本体映射（FOM）,它主要是基于模糊理论和图理论。FOM主要是计算本体的概念之间的相似度所形成的矩阵,并定义了一系列算法来推理模糊本体概念之间的模糊关系。     

基于自组织特征映射神经网络的点云数据分区

自组织特征映射神经网络SOFM可以实现无监督的特征聚类.利用SOFM实现逆向工程中点云数据分区,通过改进SOFM网络初始权值方法以及引进能量函数控制迭代次数,提高了SOFM的分区效率.利用SOFM方法实现点云数据分区具有较强的容错性能,对测量数据点无任何要求.实例运行结果验证了此方法的可行性.     

基于本体的协同装配关系模型

为提高协同装配的智能化和自动化程度,提出一个基于本体的协同装配关系模型.通过本体定义领域内的语义概念和属性关系,为协同装配时所需的连接特征、相交特征和空间约束关系的语义描述提供一个形式化的表达;通过Web本体语言和语义网规则语言实现装配信息的自动推理,可以动态的获取协同装配时所需的装配信息,并且能够将隐含的约束关系一起获取.通过本体技术构建协同装配关系模型为协同装配提供了一个统一的框架,具体实例表明,在该框架下能够有效支持异构CAD系统间零件及装配体的协同装配,使协同装配有效进行.     

基于离散度准则的人脸局部特征权值学习算法

提出了一种利用离散度准则计算人脸局部特征权值的方法.在利用局部特征进行人脸识别的算法中,可以依据各个局部特征对人脸识别贡献的大小,对每一个局部特征分配不同的权值,以此来提高识别效果.从模式识别的角度来看,易于分类的局部特征对人脸识别有较大的贡献,反之亦然.在特征空间中,当类内模式较密集,不同类模式相距较远时,模式特征易于分类.离散度矩阵的迹描述了模式特征的分散程度,通过运用统计学习的方法,以类内离散度矩阵之逆和类间离散度矩阵的乘积的迹作为衡量局部特征分类性能的依据,根据局部特征的分类性能来确定其权值.试验结果表明该算法可行,采用离散度准则计算的局部特征权值能够明显提高人脸识别率.与同类算法相比,该方法具有计算简便、易于实现等优点.     

基于混合核极限学习机的多标签学习研究

为了获得更优算法,将加入混合核的极限学习机算法应用于多标签学习中。首先在极限学习机算法中通过混合核函数将特征映射到高维空间,然后对原标签空间建立混合核极限学习机模型求得输出权值,最后通过模型计算预测未知样本的标签情况。     

基于层叠条件随机场的中文病历命名实体识别

提出了一种基于层叠条件随机场的中文病历命名实体识别新方法,该方法在第一层条件随机场模型中实现对病历中身体基本部位或组织和基本疾病名称的识别,将识别结果传递到第二层条件随机场模型(Conditional Random Field,CRF),同时定义一个由词性和实体特征结合而成的组合特征,与字符特征、词边界特征及上下文特征共同作为第二层CRF模型的特征集,为疾病名称和临床症状两类命名实体的识别提供决策支持。在利用CRF++进行的开放测试中,本文模型相比于无自定义组合特征的层叠CRF模型,F值提高了3%;相比于单层CRF模型,F值提高了7%,总体性能有显著提高。     

基于特征加权与最近邻法的P2P协议识别算法

针对新的P2P协议以及加密P2P协议无法使用传统方法进行识别的问题,提出一种新的基于流量统计特征的识别方法。首先定义了网络协议特征矢量的概念,并在此基础上使用类内、类间距离与遗传算法定量地对特征子集进行选择,同时由于不同属性所起的作用不同,提出了网络协议特征加权的概念,并使用粒子群优化算法计算特征权值。为了提高识别率,针对TCP协议与UDP协议分别建立了相应的特征空间。实验结果表明该方法能够有效地从多种属性特征中选择出最能够体现P2P协议之间以及P2P协议与非P2P协议之间区别的特征子集,且通过粒子群优化算法计算出的特征权值使识别率得到提高。实验证明通过该算法,对常见的P2P协议平均识别率达到了96%。     

基于OWL的工作流异常处理建模方法

针对工作流异常和本体的特点,提出了任务属性的概念和基于网络本体语言(Webontology language,OWL)本体推理及属性驱动的异常识别方法。任务属性扩展了工作流活动模型(Workflow activity model,WAMO)模型的事务属性,并附加在流程任务之外,利用OWL本体语言对其进行描述,通过任务属性建立起任务异常与处理模式之间的映射关系。在任务发生异常后,OWL本体推理机通过已定义的映射关系使任务异常检索到异常本体中根据属性描述的异常处理模式,进而对任务异常做出相应的处理。由于OWL的定义是增量式的,并且具有通用资源标识符,因此不仅可以使异常处理机制通过语义而非关键字来识别任务异常的处理模式,而且还能在分布式环境下对异常知识库进行扩展式开发,减少知识库开发的工作量。     

基于双特征融合的动态图像分析算法

为解决汽车碰撞实验过程进行测量和记录数据困难的问题,提出一种能从汽车碰撞动态图像中检测、识别和追踪标志目标的算法。该算法采用二值图像同或相关法分离出目标和背景;在找出感兴趣区域后提取相邻帧目标的坐标和纹理进行特征匹配;给出了对匹配量化值进行加权平均融合的策略,并由等错误率最小准则确定融合的最佳权系数;在融合量化值定义为相似度的基础上,通过决策阈值对相邻帧目标问的最大相似度组合进行识别;从而进一步提出了用同构映射原则来判断相邻帧目标的最佳配对。实验结果表明,该算法对相邻帧目标的配对准确率比传统单特征法提高5％,能更有效的对目标进行追踪。     

基于不确定性推理的上下文感知数据处理模型

以不确定性推理理论为基础,建立一种上下文感知数据处理模型.该模型以权值映射上下文实体的特征,以权值变化来映射上下文实体的变化,进而体现出被观察对象的状态变化.实例分析表明,基于不确定性推理的上下文感知数据处理模型能够满足特定的数据处理要求,提高数据处理的适应性.     

三维模型检索中特征权值的应用研究

在原有三维模型检索方法的基础上提出了加入特征权值进行三维模型检索的方法,并将此方法应用到基于球面调和的三维模型检索中。通过以采样球面积为比例逐渐增加外部球面的采样权值来平衡采样不均匀对检索效果的影响。在PSB测试集上进行检索实验,并使用多种评价指标进行对比。实验结果表明,加入特征权值后检索效果优于原始方法。     

面向CAD／CAM集成的宏特征定义

特征技术作为ＣＡＤ／ＣＡＭ集成系统的核心技术之一，已经在ＣＡＤ／ＣＡＭ系统集成过程中，充分显示出其优势。但是在目前的特征产品定义模型中，缺少零件加工特征的映射关系，以及ＣＡＤ／ＣＡＭ集成设计的能力，不能满足ＣＩＭＳ环境下的产品设计、制造一体化的要求。本文分析了目前特征基产品定义模型应用于ＣＩＭＳ存在的问题，并针对存在的问题，提出了新的面向ＣＡＤ／ＣＡＭ的宏特征定义方法，并讨论了宏特征的构造和映射关系形式。     

联合词性特征的微博文本命名实体识别

微博文本语法不规范且多由短语组成,严重影响了现有针对规范、长句文本设计的命名实体识别算法的性能.针对上述问题,本文提出了一种融合词性信息的微博文本命名实体识别模型.该模型通过分词工具提取词性信息,将词性信息作为特征与单词嵌入向量结合后输入双向长短期记忆神经网络,最后使用条件随机场对神经网络输出进行解码,从而实现词性特征辅助命名实体识别.实验结果表明,融合词性信息的命名实体识别模型,显著提高了微博文本命名实体识别的准确率.相比于其它模型,该模型F1值提高了1. 88%.