水稻病虫害诊治智能化专家系统

研制开发了水稻病虫鼠害形态识别诊断系统。系统采用智能化农业专家系统技术,对水稻病虫害图像进行采集、数字转化及诊断分析;提取形态特征,识别病虫害发生、发展规律,实现了计算机对水稻病虫害图像、资料自动提取和智能诊断,为水稻栽培的田间管理实现农业知识信息化、沟通指导网络化、科学种田现代化和建立农业网站提供技术和指导。     

蔬菜病虫害辅助诊断与防治系统VPS的构建

蔬菜病虫害辅助诊断与防治系统VPS是用VB6.0编写的基于图像及文本的农业专家系统.其知识库主要由侵染性病害、生理性病害、虫害3个数据库组成.包括用户管理、病虫害查询、病虫害辅助诊断、诊断数据库维护、数据库备份与恢复等7个模块.提供了分级管理、病虫害名称及拉丁文学名查询、病虫害图像诊断、数据库修改等功能.这一系统可对蔬菜生产过程中的病虫害识别与防治起到辅助作用.     

结构化P2P网络中关键字搜索算法

为了解决分布式哈希表(DHT)不支持模糊匹配和查找延迟长等问题,提出使用改进的超立方体互连圈结构建立逻辑的关键字搜索层.对于给定的文档和描述该文档的关键字集合,使用反向文档索引(IDF)技术选择文档的重要关键字,并映射到环标号,将描述文档的关键字集映射到立方体标号,有效地提取了关键字对于文档的重要性信息,并通过构造生成树来实施搜索操作.实验结果表明,与使用超立方体结构作为关键字搜索层的算法相比,该算法在查询关键字较少时,具有更好的性能.     

基于节点删除指标的关键字提取策略

在分析现有关键字提取算法的基础上,提出了一个基于词语网络的英文文档关键字提取算法,采用节点删除指标度量节点(词语)重要性.所提取的关键字不仅包括高频单词和短语,而且包括文档中的重要但出现频率不高的单词和短语.对比实验结果证明了该算法的有效性.     

广西农业专家系统的建立和应用

广西农业专家系统的开发建设主要集中在基础数据库建设、知识库建设、人机界面的设计和改进方面。该系统建有农业气象数据库、土壤数据库、品种数据库和病虫害数据库以及龙眼专家系统、荔枝专家系统、果专家系统和甘蔗专家系统。这些农业专家系统在广西30个县 (市 )进行示范种植 (示范面积 6 .5 0× 10 4hm2 ) ,获得了增产增收、降低生产成本的效果。     

国家863智能化农业专家系统开发技术

介绍了农业专家系统的结构特点和利用PAID进行农业专家系统开发的工作流程、技术要点和注意事项,为开发出高质量的农业专家系统提供帮助.山西省在应用农业专家系统后取得了良好的经济和社会效益.     

形式背景提取初探

形式背景是形式概念分析的基础.本文就如何从不同的数据源中提取形式背景进行探讨,主要分析文本文件、关系型文件和XML文件的特点,并分别找出提取形式背景的方法.     

基于向量空间的图像搜索引擎的研究

传统搜索引擎系统的图像检索大多是基于关键字的,搜索出来的图像不够精确.根据提取出的图像特征,然后建立基于向量空间的检索方法.     

基于百度的词语上下文获取算法

关键字的上下文环境是自然语言处理的基础知识,其自动抽取是很多研究的基础和关键。本文主要研究了从百度搜索页面中提取出搜索关键字的文本信息,并将这些文本信息进行分词处理,最后基于去重算法将词语上下文去重的方法。算法的关键过程包括关键字的环境提取、文本分词和提取到的信息的入库三部分。     

基于频繁关键字共现的诗词风格分类模型研究

为了提高宋词文档分类的精确性,本文在广泛采用的向量空间模型(Vector space model,VSM)的基础上,对分类算法中使用的特征项做了相应的修改,提出了频繁关键字共现的概念.在实验过程中,首先提取了宋词语料库中的关键字,再利用发现关联规则的Apriori算法发现分类时所需要的频繁关键字共现,最后结合关键字和频繁关键字共现,利用最邻近算法(KNN)对宋词文档进行风格分类.实验结果发现,结合了频繁关键字共现的VSM可以提高对宋词风格分类的准确度.可见,频繁关键字共现确实提供了风格分类中所需的更多信息.     

基于网页特征的特征词提取技术

特征词提取是一项提炼整个web页面内容的实用技术,同时也为文本分类,信息抽取应用提供了技术支持.在web页面内容上,利用段落间语义关系划分出网页内容的篇章结构,并以此为基础使用网页的元数据和特殊标签,设计了一个特征词的加权函数,综合考虑了词频、词长和位置因子,最后,实验对比了各类位置因子对系统的贡献度.实验结果表明,改进方法的F1值比传统的TFIDF提取技术提高了15.5%,其中,位置因子中的标题,关键词和摘要因素对系统的贡献最大.     

概念属性扩展的短文本聚类算法

为了解决短文本因特征关键词稀疏而导致文本向量概念表达不够准确的问题,本文提出概念属性扩展特征关键词短文本聚类算法——STCBCFE(Short Text Clustering Based on Concept Feature Ex-pansion)。该算法通过HowNet的概念属性扩展特征关键词,以此增加文本语义特征和反映文本主题的特征关键词数量,进而提高短文本相似性;将其应用于短文本聚类,能够提高短文本的聚类效果。实验结果表明,该算法在短文本聚类的查准率和查全率上都得到了较大的提高。     

基于词性标注规则的马铃薯文献信息抽取方法

马铃薯育种领域积累有大量尚未结构化处理的育种文献文本,人工整理文献内的种质资源数据费时费力。为了快速、准确地从育种文献中提取种植资源数据,使用基于词性标注规则和预设词的方法抽取文献数据。文献格式为PDF文档,对于不能直接获取文档文本的情况,使用游程平滑算法和光学字符识别（Optical Character Recognition, OCR）获取文本内容。采用用户可灵活建立的关键词库保存抽取项,通过正则表达式获取关键词所在语句,并利用自然语言处理工具对语句进行分词与词性标注,根据规则抽取目标词,同时采用基于关键词与预设词距离的信息抽取方法,实现将育种文献从自由文本转化为结构化数据。对115篇文献的1490个抽取项进行信息抽取,实验表明,该方法的准确率为82.97%,召回率为99.72%,F值为90.58%,能以较高的准确率和召回率对马铃薯育种文献种质资源进行抽取,可为构建马铃薯遗传育种数据库提供数据基础。     

多状态图神经网络文本分类算法

为了提高模型在文本分类任务中的分类性能,针对图神经网络中存在的过度平滑问题,同时增强模型在处理文本特征与文本表示方面的能力,提出了一种基于多状态图神经网络的文本分类算法(multi-state graph neural network, MSGNN)。多状态图神经网络是利用网络层的多个历史状态信息对图神经网络进行强化,构建合理的文本图结构数据作为模型输入。在缓解网络层过度平滑问题的同时,结合2种改进后的不同类型的图神经网络来增强模型的特征提取与特征聚合能力。利用多头自注意力机制对文本关键词的挖掘与利用能力,从多个文本子空间来生成高质量的文本表示,进而完成文本分类。通过在几个公开的文本分类数据集上进行实验分析,相较于其他神经网络的文本分类算法,该方法取得了较好的分类准确率。     

一种针对网络流式文本数据的匹配算法

本文描述了一种对网络流式数据实时监控的搜索算法，应用有限自动机的原理．实现对任意长度数据流进行多关键字无回溯单遍匹配扫描，且加入概率计算，在一定程度上实现文本的简单模糊语义分析。该算法已被网络过滤软件使用，并有良好表现。     

基于邻域粗糙集的文本主题特征提取

LDA主题模型是一种有效的文本语义信息提取工具,利用在文档层中实现词项的共现,将词项矩阵转化为主题矩阵,得到主题特征;然而在生成文档过程中会蕴含冗余主题。针对LDA主题模型提取主题特征时存在冗余的不足,提出一种基于邻域粗糙集的LDA主题模型约简算法NRS-LDA。利用邻域粗糙集构造主题决策系统,通过预先设定主题个数,计算出每个主题的重要度;根据重要度进行排序,将排序后重要度低的主题删除。将提出的NRS-LDA算法应用于K-means文本聚类问题上并与传统的文本特征提取算法及改进的算法进行比较,结果表明NRS-LDA方法可以得到更高的聚类精度。     

涪陵农技信息服务系统中专家调度算法的设计和实现

描述了涪陵农技信息服务系统中采取的一种基于无向图的专家集体动态调度算法.该算法实现了多名专家针对同一问题进行“多对一”农技信息服务的新模式.能够帮助农技专家在线服务时耗费较少的等待时间且完成尽可能多的服务,并且每组集体决策方案中的专家成员数可以尽可能达到最多.     

基于少量示例的个性化Web信息自动获取系统

基于关键词的搜索引擎满足了人们一定的需要,但由于其通用的性质,并不能满足用户的个性化需求,为此,设计并实现了一个基于示例的个性化Web信息自动获取系统.该系统采用了一种新的基于少量Web示例网页和语料库词频统计的特征抽取算法和过滤阈值设定方法.实验结果表明,较基于关键词的搜索引擎而言,该系统能充分考虑用户的兴趣偏好(示例),长期、主动地向用户提供更加准确的Web信息获取服务.     

E-learning环境下的异步答疑系统的研究

目前E-learning环境下常用的异步答疑算法存在实现复杂、时间代价消耗高的问题，介绍了基于答案的关键字和权值进行信息检索的算法．使用此算法，教师不仅能够为学习者提供文本资料，还可以提供其他的比如视频、音频和图片等资料，教师只需要为相应的答案提供一些参考关键字和设定权值即可．因为学习者抽取答案的关键字的能力是有限的，由教师来做此工作更加合适．试验证明此算法实现容易，查找效率高，能够较好地满足E-learning环境下的异步答疑的需求．