一种支持自定义模糊数据类型表示的模糊OWL扩展

语义网需要能够以一种智能的方式来表示和处理模糊知识与数据信息,但最近的研究证明,OWL在数据类型表示方面存在严重的局限性:首先,它不能处理在语义网和本体中广泛存在的不精确以及不确定信息;其次,它不支持自定义数据类型及自定义数据类型谓词的表示。为了解决上述局限性,提出了一种新的模糊描述逻辑F-SHOIN(G),给出了F-SHOIN(G)的语法、语义。然后,以F-SHOIN(G)为逻辑基础,并结合RDF/XML的语法规范,重新编码f-OWL中的描述算子,用来表示模糊本体知识,形成f-OWL。f-OWL不仅能够表示本体中的模糊知识,而且能够表示本体中含有自定义模糊数据类型及自定义模糊数据类型谓词的模糊数据信息,为模糊本体的研究提供了新的表示方法。最后,还给出了由OWL文件到f-OWL文件的转换规则,从而实现了f-OWL对OWL的兼容。     

基于模糊描述逻辑的模糊XML模型的表示与推理

通过分析描述逻辑与XML之间的关系,该文进一步研究了基于模糊描述逻辑的模糊XML模型的表示与推理.首先提出了模糊XML模型(包括模糊XML文档和模糊DTD)的形式化定义.然后针对模糊XML模型的特点和推理需求,提出了一种新的模糊描述逻辑f一ALCQwf-reg,给出了它的语法、语义、知识库以及推理算法.在此基础上,研究...     

基于描述逻辑的模糊ER模型的表示与推理

重点分析了将ER模型分别转化为描述逻辑ALNUI知识库和DLR知识库的不同之处.在深入研究了描述逻辑DLR的基础之上,对DLR进行了模糊化扩展,提出了一种新的模糊描述逻辑FDLR(fuzzyDLR).定义了FDLR的语法结构、语义解释以及知识库的形式,研究了如何将模糊ER模型转化为FDLR的知识库.通过一个转化实例例证了FDLR能够很好地对模糊ER模型进行表示,并利用FDLR的推理机制研究了模糊ER模型的自动推理问题,同时给出了上述转化和推理问题的正确性证明.     

基于模态的模糊描述逻辑(M-FALC)的形式化公理体系

模糊描述逻辑的提出是针对现实生活中存在的模糊现象,而模态逻辑解决的是现实生活中具有的状态和状态转换现象等。将模态逻辑中的模态思想和模糊逻辑中的模糊理论相结合,同时结合描述逻辑,形成模态模糊描述逻辑(M-FALC)。考虑不同论域中的可能存在的模糊概念,关系,公式等,本文给出M-FALC的形式化公理体系及其推理,既能解决现实问题中的状态现象又解决模糊现象。     

基于时态的模糊描述逻辑初探

针对现实生活中,有许多的信息都是具有时间属性并且带有模糊、不精确的特点,在时态逻辑和模糊描述逻辑基础上,利用vager集概念,对基于时态的模糊描述逻辑系统进行了初步的研究,并给出了时态模糊描述逻辑的语法和语义的相关说明.与模糊描述逻辑FALC相比,该系统的提出在一定程度上弥补了FALC作为语义Web逻辑基础在表达时序上的空白.     

一种模糊动态描述逻辑

分析了目前描述逻辑DL的研究现状和存在的问题,特别是动态描述逻辑DDL作为语义Web逻辑基础所存在的问题。针对语义Web需要处理模糊和不精确知识的特点和需求,对DDL进行了模糊化扩充,提出了一种新的描述逻辑,即模糊动态描述逻辑FDDL。给出了FDDL的语法和语义,研究了FDDL的推理机制。与动态描述逻辑DDL相比,该FDDL可以为语义Web提供更为合理的逻辑基础,弥补了DDL作为语义Web逻辑基础的不足。     

模糊描述逻辑FALNUI的tableaux推理

分析了模糊描述逻辑FALNUI与模糊ER模型的关系,即模糊ER模型可以转化为FALNUI的知识库,并且模糊ER模型的可满足性、冗余性和包含关系等推理问题可以转化为FALNUI的包含推理问题,但FALNUI缺乏相应的推理算法.提出了一种基于描述逻辑tableaux的FALNUI的可满足性推理算法,证明了该推理算法的正确性,以及提出了FALNUI的Tbox扩展和去除方法,证明了FALNUI的包含推理问题可以转化为可满足性推理问题,并给出了FALNUI的包含推理算法. FALNUI的tableaux推理算法为模糊ER模型的可满足性、冗余性和包含关系等自动推理的实现提供了理论基础.     

模糊面向对象数据模型的描述逻辑表示与推理

通过分析描述逻辑与面向对象数据模型之间的关系,研究了基于描述逻辑的模糊面向对象数据(fuzzy object-oriented data,简称FOOD)模型的表示与推理.首先,进一步研究了FOOD模型,提出了FOOD模型的形式化定义和语义定义,以便更好地在FOOD模型与模糊描述逻辑之间建立对应关系;然后,针对FOOD模型的特点和推理需求,介绍了模糊描述逻辑f-ALCIQ.在此基础上,研究了基于f-ALCIQ的FOOD模型的表示与推理,包括:实现了从FOOD模型到f-ALCIQ知识库在结构层和实例层上的转化,即实现了从FOOD模型到f-ALCIQ TBox的转化,以及从FOOD模型相应的数据库实例到f-ALCIQ ABox的转化;进而,基于转化得到的f-ALCIQ知识库,研究了如何利用f-ALCIQ的推理机制对FOOD模型的推理问题(一致性、包含性和冗余性等)进行推理;最后,设计并实现了基于f-ALCIQ的模糊描述逻辑推理机(FRsQ推理机),实现了对FOOD模型和f-ALCIQ模糊概念知识的自动推理.     

FRESG:一种模糊描述逻辑推理机

作为语义Web的逻辑基础,描述逻辑可为其提供推理支持,因而描述逻辑推理机是语义Web付诸应用的根本载体.基于模糊描述逻辑F-ALC(G),设计并实现了模糊描述逻辑推理机FRESG1.0,它支持含有模糊用户定制数据类型谓词的模糊数据类型信息的表示和推理.简要介绍了FRESG1.0的主要推理功能以及所使用的编程语言;详细描述了FRESG1.0的总体结构及其主要组成部分的设计与实现,其中着重阐述了FRESG1.0推理机的特色和设计实现过程中所采用的算法、实现技术.通过测试案例可以看出,FRESG1.0推理机具备较强的推理能力,尤其具备目前其他推理机所不具备的推理模糊用户定制数据信息的能力.FRESG1.0具有较强的模块化结构,有很好的可扩展性,为今后对其进行深入研究和扩展奠定了基础.     

面向语义Web语义表示的模糊描述逻辑

分析了语义Web语义表示理论的研究现状及存在的问题,提出了一种新的面向语义Web语义表示的模糊描述逻辑FSHOIQ(fuzzy SHOIQ).给出了FSHOIQ的语法和语义,提出了FSHOIQ的模糊Tableaux的概念,给出了一种基于模糊Tableaux的FSHOIQ的ABox约束下的可满足性推理算法,证明了可满足性推理算法的正确性.提出了FSHOIQ的TBox扩展和去除方法,并证明了FSHOIQ的TBox约束下的包含推理问题可以转化为ABox约束下的可满足性推理问题.FSHOIQ为语义Web表示和推理模糊知识提供了理论基础.     

面向不确定性知识表示的描述逻辑SROIQ(D)不确定性扩展

为增强描述逻辑对不确定性知识的表示能力,提出了一种对描述逻辑SROIQ(D)进行不确定性扩展的方法。该方法基于不确定性理论和描述逻辑SROIQ(D),针对知识表示中大量存在的模糊性、粗糙性和随机性知识,首先给出了模糊粗糙概念条件概率的计算方法,并以此为基础对SROIQ(D)进行了不确定性扩展;然后基于模糊粗糙逻辑和概率逻辑分别给出了扩展后的语法、语义和推理任务,使不确定性SROIQ(D)描述逻辑具备同时处理3类不确定性知识的能力。     

模糊描述逻辑(&)-ALCN

为了使描述逻辑能够处理更一般化的模糊信息,Straccia给出了基于完备格的(&)-ALC描述逻辑系统.在该方法的基础上,提出了带数量约束算子的(&)-ALCN系统,给出了(&)-ALCN的语法,并详细给出了概念(≥n R)和(≤n R)的语义.经典的描述逻辑系统中引入了数量约束算子后,角色R就出现了多个后继.当系统的真子集扩充到完备格时,角色R的后继和断言的真值同时出现了多个.为了保证推理算法的合理性且得到可行的计算复杂度,引入了一个特殊的集合D(&)(c),并且利用集合D(&)(c)扩展了完备格上的两条运算性质.在这些工作的基础上,深入研究了系统的推理算法,并证明了算法的终止性、可靠性与完全性.相对于(&)-ALC,系统(&)-ALCN具有更强的表达能力,并且(&)-ALCN的计算复杂度是Pspace完全的.     

面向Deep Web不确定知识表示的动态模糊描述逻辑

Deep Web信息量大,主题专一,信息质量好.然而Deep Web信息存在着不确定问题,因此难以对其进行知识表示和推理.基于动态模糊逻辑理论,提出了一种新的描述逻辑,即动态模糊描述逻辑(DFDLs).给出了DFDLs形式化定义以及DFDLs的语法和语义,设计了DFDLs的tableau的推理算法和策略.采用动态模糊描述逻辑对面向Deep Web的不确定知识进行表示并实现合理的推理和利用,能更好地表达Deep Web的动态和模糊信息.