基于图的语义网络构造算法研究

在自然语言处理的基础上,将中医领域本体与图的基本性质相结合,提出了构造中医诊疗知识语义网络算法。给出了图的基本性质、语义网络的图定义,并为知识的网络表示建立了相应的数据结构。将算法用于中医领域语义网络和语义场构建。试验结果表明,该算法具有较好的实用性。提出的基于图的语义网络构造算法,对于文本挖掘、知识获取技术研究有重要意义,也是中医专家知识获取的有效方法。     

基于微生物菌种资源库的图像智能检索系统研究*

在建设微生物菌种资源平台的基础上, 设计开发微生物菌种资源数据库管理系统,实现基于内容的Web图像智能检索系统.该检索系统采用B/S体系架构,可根据微生物菌种文本信息或图像的形状、纹理和颜色特征进行检索,有效提高了微生物菌种图像信息搜索的查准率、查全率和查找速度.     

基于知识的P2P网格资源发现研究*

针对当前网格资源管理系统扩展性差的问题,提出了具有分布式本体知识库的网格资源管理模型.新模型由分布的多个自治管理域组成;自治域之间通过DHT覆盖网连接.网格资源信息以本体知识库的形式管理:本地知识库管理域内网格知识;全局知识库则提供分布本体的语义映射以及知识的索引和定位.资源发现转换为本体知识库的实例检索推理,并且支持跨管理域的资源集发现.新模型极大地提高了网格资源管理系统的可扩展性.     

多信息源下本体自动抽取的实现*

以关系型数据库、XML文件、HTML文件、一般文档为信息源,运用不同的方法分别将多信息源映射为概念图,并按照拟定的概念逻辑结构进行统一存储,最后运用抽取算法实现本体的自动抽取.     

一种面向重构的工作流活动状态语义描述方法

工作流活动行为的精确描述是实现工作流过程控制的基础。基于状态的工作流活动行为描述方法在当前的工作流管理系统中被普遍采用。然而,非形式化的活动状态描述缺乏精确的语义并且不易扩充,导致系统适应性较差。针对业务过程管理需求的多样性和动态性,提出了一种支持快速重构的工作流活动状态语义的形式化描述方法。在分析工作流活动与工作项的状态关联基础上,定义了活动状态配置、活动状态配置全集等用于活动状态语义描述的基本概念。通过把活动状态映射为具有相同特征的活动状态配置的集合,建立了形式化的活动状态语义,研究了在此语义下活动状态的重构机制和基本实现步骤,并通过实例验证了该机制的有效性。应用本方法能够提高工作流管理系统适应企业业务过程管理需求快速变化的能力。     

CBR技术在自动配色系统中的应用研究

为提高复杂多变条件下的配色准确率,提出了基于案例推理（case-based reasoning,CBR）的新型自动配色技术,并给出了原型--基于案例推理的配色系统(CBRCMS). CBRCMS对配方库组织结构、配方检索、配方复用、学习调整等关键技术进行了探讨.CBRCMS基于大量的历史优良配方,以色度迭代逼近技术作为配色精度的基本保证,并将其作为CBR配方复用的主要方法.实验数据显示,CBR的引入可明显提高配色准确率,CBR技术的自适应、自学习特点对传统配色技术是很好的补充.     

一种基于小波变换与分形编码的新闻图片检索方法*

该方法使用户可以针对不同需要,准确高效地检索到所需的信息,并可根据需要确定所提取的信息数量。对图片进行小波变换,并分形编码,从而实现对图像特征的模糊分级检索,以完成对图片信息的高效管理。     

利用Internet获取陶瓷信息情报

本介绍了从Internet上检索陶瓷信息情报所需的相关资料和一般方法，并给出一些常用的域名地址。     

用于提高谷歌图像搜索结果的二分类器在线学习方法

对于基于关键词的图像检索,利用检索结果的视觉相似性学习二分类器有望成为改善检索结果的最有效途径之一. 为改善搜索引擎的搜索结果,本文提出一种算法框架并且基于此框架着重研究训练数据选择这一关键问题. 训练数据选择过程由两个阶段组成:1）训练数据初始化以开始分类器学习过程;2）分类器迭代学习过程中的动态数据选择. 对于初始训练数据的选择,我们探讨了基于聚类和基于排序两种方法,并且对比了自动训练数据选择与人工标注的结果. 对于动态数据选择,我们比较了支持向量机和基于最大最小后验伪概率的贝叶斯分类器的分类效果. 组合上述两个阶段的不同方法,我们得到了8种不同的算法,并将其用于谷歌搜索引擎进行基于关键词的图像检索. 实验结果证明,如何从含有噪声的搜索结果中选择训练数据是搜索结果改善的关键问题. 实验显示我们的方法能够有效的改善谷歌搜索的结果,尤其是排序在前的结果. 尽早为用户提供更相关的结果能够更大程度的减少用户逐个翻页查看结果的工作. 另外,如何使自动训练数据选择与人工标注媲美仍是需要继续研究的一个问题.     

2DPCA-SIFT:一种有效的局部特征描述方法

PCA-SIFT （Principal component analysis—scale invariant feature transform）方法通过对归一化梯度向量进行PCA降维,在保留特征不变性的同时,有效地降低了特征矢量的维数,从而提高了局部特征的匹配速度. 但PCA-SIFT中对本征向量空间的求解非常耗时,极大地限制了PCA-SIFT的灵活性与应用范围. 本文提出采用2DPCA对梯度向量块进行降维的特征描述方法. 该方法相比于PCA-SIFT,可以快速地求解本征空间. 实验结果表明:2DPCA-SIFT在多种图像变换匹配和图像检索实验中可以实现与PCA-SIFT相当的性能,并且从计算效率上看,2DPCA-SIFT具有更好的扩展性.