基于Agent的信息发现和收集系统研究

网络信息异常丰富,但查找信息犹如海捞针。本文介绍了一个基于Agent的信息发现和收集系统的体系结构。对Agent的协作性和学习算法提出了解决方案。     

基于Agent的知识发现模型的设计

ＫＤＤ（ｔｈｅ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅ）模型的研究是数据挖掘领域中的一个重要分支,现有的一些模型各有其优势,但又不是完美的,尤其在智能性方面都表现得较差。文章设计了一个基于Ａｇｅｎｔ的智能数据挖掘系统,利用多智能体技术实现了信息的收集、预处理、查询、知识的自动提取、数据挖掘等功能,使整个挖掘过程实现了知识性、智能性,它可以为智能信息系统提供必要的支持。     

基于本体的多Agent分布式数字图书馆资源信息发现服务模型之研究

针对万维网上分布式数字图书馆资源发现和集成存在的问题，提出了基于本体的多Agent分布式数字图书馆资源信息发现服务模型，详细研究和分析在这种模型框架下资源集成和发现的原理和关键技术，并提出进一步的研究工作。     

基于智能Agent的机会发现系统架构设计

在机会发现一般工作框架的基础上,结合智能Agent技术,提出一种基于智能Agent的机会发现系统架构,分析该架构中各智能Agent的职能和信息处理过程。该架构将智能Agent技术结合到机会发现过程中,可为机会发现提供灵活的实践及应用平台。     

多Agent系统中的常识和分布式知识

Agent的形式化研究已成为人工智能、哲学逻辑和计算语言学共同关心的重要课题,有着广泛的应用。逻辑学的理论为人工智能的发展提供了有力的工具。介绍了Agent系统设计的逻辑学基础,以及模态逻辑和认知逻辑,在此基础之上重点介绍了多Agent系统中的常识和分布式知识。     

基于Agent的信息发现和收集系统研究

网络信息异常丰富,但查找信息犹如大海捞针。本文介绍了一个基于Agent的信息发现和收集系统的体系结构。对Agent的协作性和学习算法提出了解决方案。     

基于多Agent的政府知识管理系统模型研究

针对现有政府知识管理系统的局限性和政府知识管理的复杂性,采用面向多Agent的系统设计方法,设计了一个基于多Agent的政府知识管理系统模型,给出了系统模型实现的一些关键技术.该模型由多个Agent来协同实现政府知识的异构整合、知识推送、知识利用等服务,以满足政务知识管理的异构知识集成、智能化决策、个性化服务等实际需求.     

多Agent系统的研究

多Agent系统(MAS)是当前分布式人工智能(DAI)的主要研究方向之一。介绍了多Agent系统的背景和概念,着重分析了MAS的关键问题和构造MAS的组织模型,最后给出了多Agent系统的应用。     

基于模态缺省理论的多Agent系统的知识更新

基于模态缺省理论，建立多Agent系统的模态缺省逻辑，给出了每个主体 对应的模态缺省理论 的新知识和知识冲突的概念及其意义，主要讨论在多Agent环境下，当一个Agent的知识不足以完成推理时，可以从其它Agent处获得新的知识，从而对自身的信念集进行更新。当Wi发生变化(如遇到新的知识或出现与原信念集冲突的知识)时扩充Ei的性质和变化规律，提出了获取新扩充的较简单的求解方法，并证明了相关的定理，给出了多Agent系统的关于知识的一个动态描述过程。     

智能Agent与多Agent系统的研究

智能Agent及多Agent系统自20世纪80年代起一直是分布式人工智能研究的热点。对Agent理论，语言，结构以及多Agent系统结构等问题进行了研究，并对Agent与对象（Object) ,过程控制系统，软件“精灵”以及多Agent系统与分布式问题求解的区别进行了分析。     

基于知识发现的实用智能系统总体结构模型

知识发现系统与实用智能系统的有机融合成为信息管理、辅助决策支持、智能预测支持等领域亟待解决的关键问题之一。该文将以系统的观点和方法，从哲学方法论的角度来审视和研究基于知识发现的实用智能系统(如专家系统、决策支持系统和预测系统)的总体结构模型，并在此基础上为形成统一的、完备的和具有认知自主性的实用智能系统提供指导依据。     

动态挖掘进程中参数演化与矛盾域分布规律的研究

基于内在认知机理的知识发现理论研究基础,宏观地描述了其核心内容之一——信息扩张机制的内涵及主要研究内容,给出了动态挖掘进程规律的部分成果,详细阐述了参数演化规律及矛盾域的分布规律,揭示了动态（在线）挖掘进程中潜在的本质、规律与复杂性,为进一步解决海量数据、动态数据给挖掘进程带来的本质的、极富挑战性的难题奠定了较为坚实的理论基础。     

基于知识管理的企业信息管理系统优化研究

本文首先概述了企业知识管理与信息管理相关理论,然后分析了企业信息管理系统的基本特性及优势,最后提出了企业信息管理系统优化的政策建议.     

面向应用领域的知识发现系统开发平台KDIST

介绍了一个面向应用领域的知识发现系统开发平台KDIST。将数据挖掘技术巧妙地封装在应用领域的问题中,使开发出的知识发现系统操作傻瓜化,用户无须关心数据挖掘本身,有效地减轻了领域用户使用负担,提高了数据挖掘技术实用性。所开发出的知识发现系统将挖掘得到的知识融合到已有专家系统的知识库中。两个实例系统的应用证明知识发现系统是专家系统自动半自动知识获取和知识库精化的良好工具。     

基于Multi-agent技术的知识发现新模型KDD的设计

KDD模型是基于双库协同机制的知识发现新模型,是结构化数据挖掘领域研究的一个新的分支。为了进一步提高KDD的智能性,文章设计了一个基于Multi-agent技术的智能数据挖掘系统。利用多智能体技术,实现了数据预处理、数据挖掘、知识的自动获取、基础数据库与知识库的同步进化与协调、知识的评价与表示等功能,为智能信息系统的发展提供了重要支持。     

大型知识库知识存储结构的研究及其在知识发现系统中的应用

在基于数据库和知识库的知识发现系统(KDD&K)的研究中,需对知识库中的重复、冗余、矛盾、循环的知识进行实时校验、修改,并能够发现知识短缺,指导KDD过程进行聚焦;在KDK过程中,需要找出有关联的知识组成的知识域以便于归纳、解释等具体应用需求,针对于此,该文提出了一种基于知识节点(属性)的图矩阵、二维链表、产生式规则的三级管理模式和数据存储结构,通过知识库管理系统(KBMS)实现了二层逻辑结构和一层物理结构的三层独立映射关系,大大压缩了知识的搜索空间。经在KDD&K原型系统中的具体应用,该知识库系统结构的定义以及相应的KBMS完全满足上述要求,并可推广至通用的大、中型知识库系统。     

基于知识发现的范例推理系统

1 引言范例推理(Case-Based Reasoning,CBR)是近十几年来人工智能中发展起来的区别于基于规则推理的一种推理模式,它是指借用旧的事例或经验来解决问题、评价解决方案、解释异常情况或理解新情况。CBR兴起的主要原因是传统的基于规则的系统存在诸多的缺点,如:在知识获取问题上存在困难,对于处理过的问题没有记忆而导致推理效率低下,不能有效地处理例外情况,整体性能较为脆弱等等,而CBR恰好能解决以上问题。     

基于形式背景的属性转移与知识发现

概念格理论是一种有效的知识表示与知识发现工具,是知识表示、知识发现和知识获取的基础。利用形式背景信息熵与属性的重要性理论,讨论形式背景的属性知识转移的特点,得到了基于形式背景的属性转移原理,给出形式背景的知识发现与应用。     

文本知识发现:基于信息抽取的文本挖掘蝌

In the general context of Knowledge Discovery, Knowledge Discovery in Text (KDT), which uses TextMining techniques to extract and induce hidden knowledge from unstructured text data, surges in the data and naturallanguage processing research. KDT is a multi-discipline of Artificial Intelligence, Machine learning, Natural Lan-ing with a stressing on its IE (Information Extraction)-based induction and specific sublanguage fields oriented prac-tices.     

知识发现状态空间模型研究及其应用

结构化数据挖掘与复杂类型数据挖掘既有联系,又有区别。如何将这两者统一起来,建立一个统一的理论框架,以指导数据挖掘与知识发现研完,已经成为一个迫切需要解决的问题。本文提出了知识发现状态空间统一模型UMKDSS,将结构化数据挖掘与复杂类型数据挖掘联系起来,为复杂类型数据挖掘提供理论指导。文章最后给出了UMKDSS在Web文本挖掘中的应用实例。