情境感知计算系统中上下文自配置算法

针对情境感知计算系统中因上下文失效引起的感知计算服务异常中断问题,提出一种上下文自配置算法.在情境感知计算系统上下文本体模型基础上创建具体应用的上下文图,当出现上下文失效情况时,应用扩散激活算法搜索失效的上下文或其等效内容,并根据搜索经过的路径配置上下文推理规则,实现上下文重构.创建上下文图时,根据具体应用选择图中路径权重计算方法,从而在搜索得到多条配置路径的情况下,对重构的上下文进行优化选择.     

基于规则的交互上下文预测基于规则的交互上下文预测

为了改进当前上下文预测中由于缺乏对交互情况的考虑所导致的不完全预测问题,提出了基于规则对交互上下文进行预测的方法．给出了交互上下文的定义及使用本体对交互上下文进行建模的方法．在基于规则的交互上下文预测架构中,利用交互规则发掘算法和交互预测算法等推理计算得出交互规则,根据得到的交互规则对交互上下文进行预测．该方法的使用合理地改进了传统的上下文模型,从根本上系统地解决了传统的上下文预测的局限性问题,有效地提高了上下文预测的能力．     

关联推理对大学英语词汇与结构测试的启示

本文依据关联理论中关联推理对于上下文语境地依赖的法则,论证了在进行大学英语词汇与结构测试试题设计时,应如何考虑到上下文提供的信息的强度与数量,以及如何能使受试者能据此进行合理的推理,以取得最佳关联,获取准确无误的信息。     

基于觉察上下文计算的降低服务成本方法

针对转移法和睡眠法分别存在增加整体服务成本和资源发现速度较慢的缺点，提出了一个基于觉察上下文计算的降低服务成本的方法．该方法先抽象出资源发现与交互协议运行中的上下文，如系统平稳度、时间段、上下文历史，然后确定上下文的获取方法并分析上下文的获取代价，最后根据推理上下文得到的信息有目的地选择合适的方式来降低服务成本，如停止主动广播、睡眠．基于此思想，构建了包含传感器层、中间层、应用层的系统框架．实验结果表明，在最坏情况下，该方法没有增加整体服务成本，较睡眠法而言，它能让“穷”设备多睡眠37．32％的时间，发现资源的速度快15．68％。     

基于上下文感知的智能停车场系统的研究

上下文感知是在移动计算环境中实现人机自然交互的关键.车辆停放乱和车辆失窃是停车场的重点问题.针对该问题,提出了一种基于ZigBee和上下文感知的智能停车场管理系统,给出了智能停车管理系统的总体架构.该系统使用RFID对车和车主进行跟踪,并根据所感知信息进行上下文推理决策判断合法性,从而有效实现对停车场的智能化管理.     

结合上下文词汇匹配和图卷积的材料数据命名实体识别

材料领域的文献中蕴含着丰富的知识, 利用机器学习和自然语言处理等手段对文献进行数据挖掘是研究热点. 命名实体识别(named entity recognition, NER)是高效利用挖掘和抽取数据中信息的首要步骤. 为了解决现有实体识别方法中存在的向量表示无法解决一词多义、模型常提取上下文特征而忽略全局特征等问题, 提出了一种基于上下文词汇匹配和图卷积命名实体识别方法. 该方法首先利用 XLNet 获取文本的上下文动态特征, 其次利用长短期记忆网络并结合文本上下文匹配词汇的图卷积神经网络(graph convolutional network, GCN)模型分别获取上下文特征与全局特征, 最终经过条件随机场输出标签序列. 2 种不同语料对模型进行验证的结果表明, 该方法在材料数据集上的精确率、召回率和 F1 值分别达到 90.05%、88.67% 和 89.36%, 可有效提升命名实体识别的准确率.     

主观Bayes网络在普适计算中的应用研究

由于硬件系统的异构性和无线网络的相对不稳定,造成直接由传感器获得的上下文的不确定性和不一致性。笔者针对此问题把主观Bayes网络模型应用到普适环境中对上下文进行推理,并且对OWL进行了扩展——SBOWL语言,以适应主观Bayes网络模型在上下文推理中的应用。通过在原型系统CIS的上下文推理层应用主观Bayes网络,验证了该方法的可行性。     

基于粗集理论的规则知识获取技术

提出一种新的规则知识获取方法 .该方法利用粗集理论对数据进行分析 ,推理出可能规则 ,然后提出了一种概率最优准则 ,按照这种准则选择规则可以获得概率优化规则 .通过实例分析 ,具体说明了该方法的实现步骤 ,这是知识获取技术的一种新的探索 ,能够有效地解决专家系统中知识获取的瓶颈问题     

基于觉察上下文计算平台的智能提醒器

已有的提醒系统使用的上下文信息有限,并且缺乏有效的推理,不能满足用户的需要。为此,本文提出了基于觉察上下文计算平台的智能提醒系统,该平台将上层应用和底层传感器分离,同时支持上下文建模、推理等,功能全面,通用性强且具扩展性。最后在智能提醒器的应用中验证了该平台的有效性。     

基于时间卷积网络的机器阅读理解

针对目前机器阅读理解任务中缺乏有效的上下文信息融合方式和丢失文本的整体信息等情况,提出基于时间卷积网络的机器阅读理解模型.首先将文本的单词转化成词向量并加入词性特征;接着通过时间卷积网络获取问题和文章的上下文表示;之后采用注意力机制来计算出问题感知的文章表示;最后由循环神经网络模拟推理过程得到多步预测结果,并用加权和的方式来综合结果得到答案.实验使用了SQuAD2.0数据集,在EM和F1值上相比基准实验分别提升了6.6%和8.1%,证明了该方法的有效性.     

Modeling Trusted Computing

0 IntroductionThe purpose of trusted computingis to solve some of to-day’s security problems through hardware changes topersonal computer . The trusted property can be extendedfromroot of trust to entire PC platformthrough the chain oftrust[1].Root of trustis a small hardware device calledtrustedplatform module (TPM) addedto PC.A well-known project of trusted computing is trustedcomputing platformalliance(TCPA) .It is calledtrusted com-puting group (TCG) now[2 ,3]. Besides this , other…     

A Neural Network Approach on Reverse Engineering Surface Reasoning in the Manufacturing Field

This paper applied the neural network technology to surfacereasoning in reverse engineering and established the neural network computation model. One of the main advantages of reasoning solid surface using neural network is that no knowledge about surface is needed, and the limited measured points on the surface will do sufficiently. This paper listed the related reasoning cases, including the elementary analytical surfaces and freeform surfaces, discussed the various issues occurring during reasoning process and proved the feasibility and efficiency of this approach from theory and practical computing cases. The results show that a neural network is an excellent aided analysis means for surface reasoning in reversing engineering and possesses practical use for the surface that is complex, incomplete and partially worn-out or damaged.     

Dominance-based rough set approach as a paradigm of knowledge discovery and granular computing

Dominance-based rough set approach(DRSA) permits representation and analysis of all phenomena involving monotonicity relationship between some measures or perceptions.DRSA has also some merits within granular computing,as it extends the paradigm of granular computing to ordered data,specifies a syntax and modality of information granules which are appropriate for dealing with ordered data,and enables computing with words and reasoning about ordered data.Granular computing with ordered data is a very general...     

基于粒计算Rough集模型的逻辑推理应用研究

讨论了粒计算理论信息粒子的构成,结合Rough集知识模型给出了信息决策系统不确定性推理的粒计算公式及其过程.针对水产养殖中鱼病诊断信息的模糊性、随机性等不确定特点,通过鱼病症状集形成条件属性粒子、疾病集形成决策粒子而构成的模糊信息决策表,描述出主要逻辑推理算法,即鱼病诊断的规则获取过程,促进粒计算理论应用,同时也为鱼病诊断领域提供了新方法.     

云计算环境下的SWRL规则分布式推理框架

为解决传统推理引擎在进行大规模OWL本体数据的SWRL规则推理时存在的计算性能和可扩展性不足等问题,提出了云计算环境下的SWRL规则分布式推理框架CloudSWRL.根据SWRL规则语义,并以Hadoop开源云计算框架为基础,设计了OWL本体在HBase分布式数据库中的存储策略,定义了SWRL规则解析模型和相关推理中间数据模型,提出了在DL-safe限制下基于MapReduce的SWRL规则分布式推理算法.实验结果表明,在对大规模OWL本体进行SWRL规则推理时,CloudSWRL框架在计算性能和可扩展性方面均优于传统推理引擎.     

分布式随机迭代系统稳定性分析的并行算法

针对分布式随机迭代系统的特点,运用离散随机大系统的稳定性分析方法,提出一种易于作自动推理的分布式随机迭代系统稳定性并行分析法;解决了具有分布结构的随机迭代系统中出现的Ｌｙａｐｕｎｏｖ方程的高效并行算法问题．     

英语泛读教学中的语篇分析方法刍议

阐述了在英语泛读教学中的语篇分析如何从词汇、语境、语篇结构、推理等方面进行课堂教学，以提高学生的阅读能力。     

Dominance-based rough set approach as a paradigm of knowledge discovery and granular computing

Dominance-based rough set approach (DRSA) permits representation and analysis of all phenomena involving monotonicity relationship between some measures or perceptions. DRSA has also some merits within granular computing, as it extends the paradigm of granular computing to ordered data, specifies a syntax and modality of information granules which are appropriate for dealing with ordered data, and enables computing with words and reasoning about ordered data. Granular computing with ordered data is a very general paradigm, because other modalities of information constraints, such as veristic, possibilistic and probabilistic modalities, have also to deal with ordered value sets (with qualifiers relative to grades of truth, possibility and probability), which gives DRSA a large area of applications.     

Ontology-Based Context-Aware Middleware for Smart Spaces

Context-awareness enhances human-centric, intelligent behavior in a smart environment; however, context-awareness is not widely used due to the lack of effective infrastructure to support context-aware ap- plications. This paper presents an agent-based middleware for providing context-aware services for smart spaces to afford effective support for context acquisition, representation, interpretation, and utilization to ap- plications. The middleware uses a formal context model, which combines first order probabilistic logic (FOPL) and web ontology language (OWL) ontologies, to provide a common understanding of contextual in- formation to facilitate context modeling and reasoning about imperfect and ambiguous contextual informa- tion and to enable context knowledge sharing and reuse. A context inference mechanism based on an ex- tended Bayesian network approach is used to enable automated reactive and deductive reasoning. The middleware is used in a case study in a smart classroom, and performance evaluation result shows that the context reasoning algorithm is good for non-time-critical applications and that the complexity is highly sensi- tive to the size of the context dataset.