基于描述逻辑的CIM模型

分析了CIM模型在自主计算中的研究现状和存在的问题,在GLanfranchi和ACali的基础上提出了一种具有演化功能的CIM模型。针对CIM模型的特点和需求,提出了一种基于描述逻辑DLRifd的CIM模型,即给出了将CIM模型转化为描述逻辑DLRifd知识库的方法,证明了该转化方法的正确性。以及给出了自动判断CIM模型一致性、冗余性、包含关系的方法,也证明了这些判断方法的正确性。     

基于有限状态自动机的服务组合模型

分析了目前服务计算的研究现状和存在的问题，在D Berardi和A Wombacher的基础上提出了一种带条件的有限状态自动机模型cFSA（Finite State Automata with condition），并给出了基于cFSA的服务理论模型．在该服务理论模型的基础上提出了一种基于有限状态自动机的服务组合形式化模型，并给出了该模型的代数性质和实现方法．     

面向XML文档的时态访问控制技术研究

XML文档的广泛应用对其安全性提出了越来越高的要求,访问控制技术作为安全控制的一部分也变得更加重要.过去对XML文档访问控制技术的研究很少将其与时态信息结合起来.在XML访问控制技术的基础上,结合XML文档的特点阐述了面向XML文档的时态访问控制模型.该模型通过在XML叶子结点上引入双时态标签来描述XML文档的时态信息,通过在访问控制策略中引入时间约束条件的因子,通过时态访问控制算法来完成对XML文档的时态安全控制并给出了模拟实现机制.     

一种基于时态描述逻辑的工资智能决策支持系统的实现

分析指出了现阶段工资智能决策支持系统的不足之处,即工资政策是通过人工编程实现,没有将其形式化,不能适应工资政策的易变性特点.根据工资政策的需求和特点,在时态描述逻辑ALCmon旆的基础上,扩展得到了新的时态描述逻辑EALCmon旆,并分析了其时间复杂度,然后讨论了工资智能决策支持系统基于该时态描述逻辑的实现方法,并给出了工资系统中工资政策的形式化和推理方法,最后讨论了该方法的优点和不足,并指出了以后的工作方向.     

上下文技术在群体感知中的研究与应用

群体感知技术是CSCW领域研究的一项关键技术,是CSCW研究的热点.虽然群体感知技术已经在国内外许多学者的研究和推动下得到了很大程度的发展,然而,这个领域还存在着很多尚待解决的问题.首先分析了国内外群体感知模型的研究现状,然后简单介绍了面向服务的群体感知模型SOGAM.经过分析发现该模型存在的一个关键问题--缺乏群体感知信息表示的有效方法.鉴于群体感知信息和上下文信息之间在表示上存在高度相似性,因此深入研究了上下文技术中上下文建模的相关研究成果,在总结了众多建模方法的优缺点之后,在SOGAM模型的基础上,提出了一个新型的建模方法,并采用UML的方式来表示上下文模型的结构.上下文模型包含了面向服务的思想,解决了SOGAM模型所存在的问题.最后,结合协同工作平台COP(cooperative work platform)项目实现此表示模型.     

计算机支持的协同工作概观

ＣＳＣＷ是一门多学科交叉的新兴课题。本文介绍ＣＳＣＷ起源和发展,讨论了ＣＳＣＷ３的主要研究内容,核心课题和应用领域。     

工资智能决策支持系统SIDSS的设计与实现

根据工资政策的特点,在此提出一种三库结构的智能工资决策支持系统,即规则库、方法库和数据库。与四库结构相比,它具有独立性较好,易于实现的特点。本文介绍工资智能决策支持系统SIDSS系统结构和主要功能,讨论了事件处理器、规则处理器及方法库与数据库等关键技术。     

铁路选线优化设计专家系统的设计

铁路选线设计专家系统（ＲＯＤＥＳ）是我们用ＬＩＳＰ、Ｃ＾＋＋、ＦＯＲＴＲＡＮ语言和ＡＵＴＯＣＡＤ实现的一个实际专家辅助设计系统。本文介绍ＲＯＤＥＳ的基本设计思想，讨论它的知识表达、推理机制及解题过程。     

描述逻辑εL循环术语集的混合推理

循环术语集是描述逻辑长期以来的研究难点,它最基本的问题即语义及推理问题没有得到合理的解决.分析了描述逻辑循环术语集的研究现状和存在的问题,在Baader和Brandt的基础上进一步研究了描述逻辑εL循环术语集的混合推理问题.给出了εL的混合循环知识库的语法和语义(包括不动点语义和描述语义).针对εL循环术语集混合推理的需要.提出了TBox-完全的概念,并重新定义了描述图(包括语法描述图和语义描述图).使用描述图之间的模拟关系和TBox-完全概念给出了最大不动点语义和描述语义下εL混合循环知识库的实例检测推理算法,证明了推理算法的正确性,并给出了推理算法的复杂性定理.     

应用随机游走的社交网络用户分类方法

针对现有在线社交网络用户分类方法不能有效利用用户属性和关系网络信息提高分类性能的问题,设计了一种基于随机游走模型的多标签分类方法MLCMRW。该方法的分类过程包括学习用户初始化类别标签以及通过迭代推理获得用户稳定标签分布两个阶段,并且其可以同时考虑用户属性以及关系网络特征信息进行分类。多个在线社交网络数据集上进行的实验表明,MLCMRW比其它已有的代表性方法有更好的分类性能,并且更适合对现实中的在线社交网络进行用户分类。