针对RDF概率图查询的基数估计方法

资源描述框架图查询中,准确估计查询结果的大小是查询优化器中的关键步骤.已有方法忽略了该图自身的不确定性以及子查询间的关联关系,无法有效估计结果.针对该问题,本文提出一种基于贝叶斯模型的基数估计方法.该方法引入贝叶斯网络模型,挖掘出子查询内的属性依赖.同时,在这些属性依赖的基础上提出子网拼接方法,计算出子查询间的影响因子.最后,利用以上信息准确估计出任意查询结果集的基数.实验表明:与已有方法相比,本文方法的准确性提高15%以上,性能没有大幅度下降.     

基于模糊认知图的资源描述框架(RDF)研究

资源描述框架RDF是一种用于描述Web上信息资源的语言,RDF中的属性可以看作是资源的属性,同时又表达了资源之问的关系;但它不能表达资源之间关系的模糊性及其演化.针对这一问题,把模糊认知图进行了扩充,提出了多重模糊认知图的概念,并用广义模糊矩阵进行描述;为RDF中的属性引入了隶属度,提出了模糊资源描述框架(FRDF)的概念,并用多重模糊认知图进行了描述,以提高复杂知识及语义的表示与处理能力.     

神经网络最短路径路由算法

最短路径路由算法一直是分组交换网络的研究热点。飞速发展的计算机网络对路由算法的反应速度提出了更高的要求。神经网络作为一种新的组合优化计算工具,以其固有的并行执行方式以及潜在的硬件实施能力,使其在网络路由方面的应用得到较大关注。对神经网络最短路径路由算法的模型、发展做了较为细致的阐述,并指出了存在的不足和将来的研究方向。     

一种新的最短路径并行算法

针对两点间最短路径问题,提出一种新的并行求解算法.该算法通过不断消去中间的节点和边以简化图的结构,以局部最优而达到全局最优.相对于经典的串行Dijkstra算法,天然地具有并行特性,对稀疏图更加有效,算法复杂度较低.仿真结果证明:该算法对于任意类型的无向图或有向图,总是可准确求得其最短路径.     

神经网络中的最短路径问题

本文讨论神经网络中的最短路径问题,介绍了为解决这一问题的二进制超立方体拓扑,泛化超立方体拓扑和Dijkstra等算法。在结论部分中,还特别指出不能把简单的几何最短距离视为知识处理的最短距离,而应通过机器学习,以形成“相对问题的最短语义距离”。     

对数据结构的最短路径算法的研究

文章主要研究蚁群算法实现对数据结构的最短路径优化。蚁群算法是群智能理论研究领域的一种主要算法,在求解复杂的离散优化问题方面有一定优势,这种优势在求解最短路径问题方面体现得非常明显。     

时延PCNN及其用于求解最短路径

本文在脉冲耦合神经网络(PCNN-Pulse Coupled Neural Network)的基础上,提出了时延脉冲耦合神经网络(DPCNN-Delay PCNN),并将其成功地用于求解最短路径,同时给出了基于DPCNN的最短路径求解算法.Caulfield与Kinser提出了用PCNN求解迷宫问题的方法,虽然他们的方法也可用于求解最短路径,但所需神经元的数量巨大,而本文的方法所需的神经元的数量远小于他们的方法.同时,本文的方法充分利用了DPCNN脉冲快速并行传播的特点,可迅速地求出最短路径,其所需的计算量仅正比于最短路径的长度,与路径图的复杂程度及路径图中的通路总数无关.计算机仿真结果表明,采用本文的方法,用少量的神经元就可迅速地求出最短路径.     

改进蚁群算法求解最短路径问题

针对蚁群算法在收敛过程中需要多次迭代和容易陷入局部最优解的问题,本文提出一种改进策略的蚁群算法--自主复制蚁群算法(Auto Copy Ant Colony Algorithm,AC-ACO)。通过蚂蚁自主复制和分泌标记信息素实现快速找到最短路径问题最优解。仿真结果显示,AC-ACO算法能降低迭代次数,增强算法的搜索能力。     

基于PCNN的迷宫最短路径求解算法

本文根据脉冲耦合神经网络(PCNN)并行运行的特点,提出了基于PCNN模型的迷宫最短路径搜索算法。从理论上对该算法进行了分析和讨论,并给出了具体的算法和实验结果,验证了该方法的有效性。与其他算法相比,该方法可以在最短的时间内完成最短路径的搜索。     

基于RDF的网络学习元数据描述和检索建模

网络学习已日益成为一种在信息时代生存与发展的方法和必然选择。文中以网络课程学习为例，应用RDF给出了其有向标记图和RDF模式描述文档，为网络学习数据的共享提出了一种元数据描述模式。同时构建了基于RDF的网络学习元数据的检索模型。