Detecting Codimension—Two Objects in an Image with Ginzburg-Landau Models

In this paper, we propose a new mathematical model for detecting in an image singularities of codimension greater than or equal to two. This means we want to detect isolated points in a 2-D image or points and curves in a 3-D image. We drew one's inspiration from Ginzburg-Landau (G-L) models which have proved their efficiency for modeling many phenomena in physics. We introduce the model, state its mathematical properties and give some experimental results demonstrating its capability in image processing. First online version published in October, 2005 Author is now with CMLA (CNRS UMR 8536), ENS Cachan, France.     

基于两层向量空间模型和模糊FCA本体学习方法

本体是WWW进化为语义Web版本的瓶颈,手工构造本体费时费力,本体学习技术使得在文本中自动构造本体成为可能,但存在通用性差和准确性低等问题.提出以面向对象思想的分析方法为基础,把传统的单层文本向量空间模型(VSM)改进为2层向量空间模型(double vector space model,D-VSM),该模型不仅具有属性特性,而且还具有很强的关系特性.在此模型的基础上,引入模糊形式概念分析(fuzzy formal concept analysis,FFCA)本体学习技术.该技术充分考虑D-VSM模型中的数据分布特点,较好地解决本体学习通用性、本体关系获取等问题.基于上述方法实现一个本体学习工具,为本体的(半)自动构造提供有力的支持.     

利用本体云影模型的本体进化进程

整个Web环境,本体之间存在复杂的交互关系,构成了本体进化的社会环境。在非集中、分布式环境中,成功的本体应用需要加强对本体改变的管理和本体的进化。文章基于本体云影模型提出了一种本体进化进程COEP,COEP包含复杂的操作,使用本体云影模型的操作和定义,不仅是一个技术过程,还是一个管理过程,充分考虑了群体性、社会性,其方法重视本体之间的关系,其过程比现有的本体进化进程丰富,具有很好的应用前景。     

基于概念模型的本体复杂性研究

随着本体的应用和规模的扩大,其复杂性也随之增加,给本体的管理和维护带来困难,也限制了本体的使用。论文从本体概念模型的角度,对本体的复杂性及其演化规律进行了研究。主要从本体的概念、关系和路径三者的相互依赖关系,提出了本体复杂性的评价指标集。通过对GO本体的分析,验证了该指标集能较好衡量其复杂性,并反映出其演变趋势。     

Causation in AI and Law

Reasoning about causation in fact is an essential element of attributing legal responsibility. Therefore, the automation of the attribution of legal responsibility requires a modelling effort aimed at the following: a thorough understanding of the relation between the legal concepts of responsibility and of causation in fact; a thorough understanding of the relation between causation in fact and the common sense concept of causation; and, finally, the specification of an ontology of the concepts that are minimally required for (automatic) common sense reasoning about causation. This article offers a worked-out example of the indicated analysis. Such example consists of: a definition of the legal concept of responsibility (in terms of liability and accountability); a definition of the legal concept of causation in fact (in terms of the initiation of physical processes by an agent and of the provision of reasons and/or opportunities to other agents); CausatiOnt, an AI-like ontology of the common sense (causal) concepts that are minimally needed for reasoning about the legal concept of causation in fact (in particular, the concepts of category, dimension, object, agent, process, event and act).     

基于本体的突发事件应急服务模型研究

 通过研究本体理论,采用斯坦福大学医学院开发的七步法、本体构建工具（Protégé）和本体描述语言OWL,实现突发事件应急服务领域本体库的构建,研究突发事件应急服务本体模型（ESODM）对突发事件应急服务进行统一建模,有助于实现突发事件应急服务在语义级别上统一表达,从而使得突发事件应急服务信息具有计算机可以理解的语义,有助于解决不同应用之间的信息语义异构问题,有助于实现对突发事件应急服务信息资源的智能访问和检索,有助于解决语义层次上应急服务信息共享和交换等问题。     

基于本体的网络管理信息模型映射方法

为达到网络管理系统间信息共享及解决其信息模型间语义异构问题,分析了网络管理信息模型现状和本体映射技术的优势,提出基于本体的信息模型自动映射方法。该方法将信息模型转换为本体后,通过动态适应的多策略本体匹配得到映射结果。同时开发了原型系统OntoNM,其通过Protégé和信息模型开发工具包来实现。通过实验评价得到推荐策略,且实验结果表明该方法提高了信息模型映射的效率。     

遥感图像多维量化关联规则挖掘

数据与数据库的爆炸式增长引发了一个十分突出的问题,就是如何高效、智能地将海量的数据转化为有用的信息和知识?近年来,数据挖掘技术的广泛研究正是基于这个目的。初步研究了卫星遥感数据的关联规则挖掘及其在土壤侵蚀和退耕还林上的应用。根据多维空间数据的特点,将遥感数据的属性值划分为不同的块。同时为了充分利用现有的关联规则挖掘的算法,还将划分好的数据转变为事务数据库形式。最后,利用Apriori算法提取了土壤侵蚀强度与坡度、植被覆盖度以及坡耕地之间有意义的关联,为退耕还林还草决策提供有益的支持。     

基于事件本体的突发事件领域知识建模

基于本体的知识建模方法有很多,在某些特定领域采用传统的本体建模方法存在着一些不足。以突发事件领域为例,提出了基于事件本体的知识建模方法。该模型分为上层事件类、下层事件类和事件实例,上层事件类描述的抽象的事件的分类体系,下层事件类是通过事件类关系组成的事件格结构。该模型不仅可以描述事件的时间、地点、对象等要素,还能描述事件类之间的关系。采用本体建模工具Protégé来构建突发事件领域本体,并以“恐怖袭击”作为实例验证了该模型的可用性。研究结果表明,该模型可以清晰地描述事件类的完整性,语义清晰,扩展性强。     

基于语义网的高效信息查询方法

为了提高Web信息检索的准确率,提出一种基于语义网的高效信息查询方法。首先从本体库中提取目标资源与查询关键字之间的语义路径,通过分析语义路径所包含的属性的权重和识别能力,分别计算每个语义路径的权重;然后,根据资源与查询关键字之间的语义路径的权重、数量和特异性,分别计算每个资源与各关键字之间的语义相关性,并结合关键字的涵盖范围和识别能力综合计算每个资源与关键字集之间的语义相关性;最后,以该相关性为依据对所有资源进行排序和输出。实验结果表明,与OntoLook、tf*idf和TMSubtree三种语义网查询算法相比,基于语义网的高效信息查询方法的平均正确率分别提高了69.0、25.0和21.0个百分点;平均召回率分别提高了77.1、28.3和24.3个百分点;平均F测度值分别提高了72.4、26.4和22.4个百分点。实验结果表明:该方法不仅能够有效提升语义查询的准确率,而且对隐性信息也有很好的查询效果。     

本体映射中一种综合的概念相似度计算方法

本体映射是实现异构本体间互操作的有效方法,其核心环节是概念相似度的计算。针对传统概念相似度计算方法中存在的不足之处,提出了一种综合的概念相似度计算方法——DISS模型。该算法从概念定义、概念实例、概念结构三个方面计算相似度。实验证明,该算法改善了传统计算方法中存在的片面性和不完善性问题,提高了本体映射的查全率和查准率。     

基于本体的证据分析工具研究与实现

在研究传统证据分析工具不足的基础上,结合模糊本体概念,提出一种基于模糊本体的证据分析方法。该方法利用模糊本体中的隶属度概念,对查询语句和文档关键词向量空间模型进行模糊本体概念映射及概念相似度计算。通过数值实验对该方法进行性能分析。实验证明了该方法的有效性。     

从文本自动构建OWL本体的研究

随着语义检索的发展,近年来涌现了许多基于本体的研究和应用,但本体本身仍离不开领域专家手工或半自动化的构建,成为了本体研究领域的一个瓶颈。因此,本文着眼于本体的自动化构建,提出了一种用FCA(形式概念分析)从文本中提取并自动生成符合W3C标准的OWL通用本体库的方法。解决了目前本体构建自动化程度低,领域依赖性强的问题,使得本体的发展和应用不再是空中楼阁。     

基于CommonKADS模型的知识库应用

针对中小规模知识库系统中存在的知识表示能力不够、知识搜索广度不足的问题,本文结合CommonKADS模型从两个方面着手来解决：一方面用本体对知识进行表示,增强知识语义表达能力;另一方面,为了实现不同领域知识间的交流,将桥本体引入到知识模型中,发挥其在领域之间的“桥梁”作用,从而保证和提高系统的问题求解效率和能力。最后,以
以操作系统知识为背景,介绍知识库的实现并对措施的有效性给予验证。     

改进贝叶斯的语义推送算法设计

教育信息语义本体构建是通过语义本体构建方式去设计教育信息本体库.本体间逻辑关系表示方法,是构建出有逻辑结构的教育信息集合的过程.实现教育信息的半结构化数据归类,对不同时间采集的归类数据在规定好的模型中进行计算—词汇频度分析模型.词汇频度分析模型运用逆概率的贝叶斯思想,经过对传统贝叶斯算法与语义本体性质相结合,使MapR...     

基于交互信息的投机并行化方法*

针对投机并行化中如何权衡策略并确定合适的执行模型来获取理想性能的问题,提出了一种基于交互信息的投机并行化方法,利用交互信息来确定投机并行化的执行模型,建立相关评价模型,并着重从线程抽取创建角度提出了相应的策略及对应的性能评价。通过实验表明,基于交互信息进行“按需”并行化,可以达到所需的性能要求。     

事件与事件本体模型研究综述

现有领域本体缺乏对动态特征的描述,存在网球问题以及不能明确支持空间和时间关系分析的现象。为此,引出事件本体的概念。对事件的定义与事件本体的研究现状进行描述,从不同领域对事件的定义进行说明,并对不同领域的事件定义进行分析与比较,强调事件在实际应用中需要注意的内容。介绍现有的事件本体表示模型,对各表示模型从事件表示方法、适用领域等12项内容进行阐述,给出事件本体的发展趋势与应用前景。     

本体技术在作战计划系统中的应用

作为人工智能研究成果在军事领域的应用,本体技术逐渐成为作战计划系统中基础而核心的组成部分。针对本体技术在作战计划系统中的应用,从作战计划系统中本体的内容、表示、应用和扩展等方面,对两个重要的作战计划系统（DICIPLE和PLANET）中如何应用作战计划本体模型、如何管理作战计划本体等方面进行了分析。分析结果为作战计划建立本体提供必要的准备,为进一步设计基于本体的作战计划生成和验证系统提供了有益的指导。     

基于本体的业务管理框架

在分析当前业务管理框架的基础上,提出基于本体的业务管理框架。在该框架中,采用本体为业务特征建模,采用本体活动为业务过程建模,生成本体业务模型,然后基于该业务模型实施本体推理,自动获取业务采集数据项,用于业务数据采集,并采用Petri网设计业务性能分析模型,用于自动业务性能分析。基于本体的业务管理框架能够有效地建模影响业务性能的因素,实施有效的业务数据采集,并能够自动完成业务性能分析,发现业务性能瓶颈,还能够根据业务分性能分析结果实施业务配置,提高业务性能。     

基于本体模糊映射和特征分析的网络入侵检测模型研究

通过对网络入侵的相关知识进行研究,提出了一种基于本体模糊映射和特征分析相结合的网络入侵检测模型;在研究中首先对知识元或数据信息集经过训练形成本体知识库,然后对已知入侵模式的特征知识元或数据信息集进行挖掘,形成特征库;当待测数据集开始检测时,先抽取其知识本体,对其本体和本体知识库中的本体元进行模糊映射,相似度在系统安全阈值范围内的,属于正常数据集,否则,置其入数据评估集,进行特征库匹配,匹配度低的数据信息集属于异常数据给予用户提示,予以报警;在待测数据集检测结束后,对本体知识库和特征库实时更新;该模型通过数据信息集的训练形成自有本体库,避免了数据噪音干扰,提高了检测效率和预警率。