基于模糊本体的智能交通系统知识建模

为有效处理交通知识建模中的模糊与不确定现象,提出包括领域本体与顶层本体的模糊本体模型.在领域本体中引进模糊概念属性值,并将普通的概念关系扩展为模糊关系与直觉模糊关系.顶层本体基于模糊语言变量的形式化表示,考虑了模糊概念间的实质性语义关系:集合关系、序关系与等价关系.以交通事故分析与预测系统为例,建立交通知识本体模型与基于语义的信息检索系统.该模型可有效进行智能交通系统的知识建模,有利于语义Web环境下智能交通的信息管理与知识管理.     

基于语言变量的模糊本体模型

为了更有效地表达语义Web中的模糊知识,将模糊概念与关系引入到传统的模型中,提出新的模糊本体:模糊领域本体与模糊顶层本体.模糊顶层本体从语言变量的形式化表示入手,考虑模糊概念间的语义关系:集合关系、序关系与等价关系.用模糊本体对智能交通领域的知识进行建模,通过模糊语言值描述交通概念的属性信息,有效克服现有模型的一些局限.结果表明,该研究有利于语义Web环境下模糊系统的知识共享与重用.     

下一代公共安全视频监控系统的大数据分析

视频监控因其可以提供丰富的、直观的以及精确的信息而成为主要的监控工具. 然而, 随着视频监控系统在世界各地的大规模建设, 由于一些诸如“有用信息和线索不能及时从视频大数据中被发现”的问题, 降低了犯罪预测和公共安全治理的检测效率. 各类公共安全信息系统被用于交通事故治理、犯罪事件和恐怖事件的预测. 但是, 大规模的系统冗余建设导致了“IT 资源”和“信息过载”的巨大浪费. 为了解决上述问题, 如大数据、云计算和虚拟化技术已被广泛应用于公共安全行业. 采用“前+后”的模式, 为下一代公安系统提出了一种新的架构.在该架构下, 介绍了云计算技术如分布式存储和计算、巨大的异构数据的检索, 并且提出了多个优化策略, 提高了资源的利用率和任务的完成效率.     

一种融合PLSA模型和树模型的文本病历语义分析新方法

将文本语义分析领域中的概率潜语义分析（PLSA）模型和语义树模型进行融合, 设计一种新模型, 并将其应用在文本病历语义分析上, 较好地解决了文本病历语义分析过程中存在的“多词一义”情况, 降低了语义维度, 简化了窗口语义树的结构. 通过语义分解和语义检索实验证明了该模型在文本病历语义分析上的优势.     

基于组合神经网络的语义省略“的”字结构识别

针对语义省略“的”字结构识别任务, 提出一种基于组合神经网络的识别方法。利用词语和词性, 通过双向LSTM (long short-term memory)神经网络, 学习“的”字结构深层次的语义语法表示。通过Max-pooling层和基于GRU(gated recurrent unit)的多注意力层, 捕获“的”字结构的省略特征, 完成语义省略“的”字结构识别任务。实验结果表明, 所提模型在CTB8.0(Chinese Treebank 8.0)语料中, 能够有效地识别语义省略的“的”字结构, F1值达到96.67%。     

基于Web挖掘的领域本体自动学习

为获取领域本体并量化概念关系的可信度,提出了一种基于Web挖掘的学习模型.通过可扩展的模式集和分布语义模型获取本体主干,使用关联规则发现概念间的一般关系,对候选本体进行修剪和合并.模式可信度、概念语义距离与关联特征决定了概念间关系的可信度.通过"文本分析-本体获取-文本扩充"的迭代过程,优化模型参数和阈值.该模型解决了现有本体学习方法对词典或核心本体的依赖性、以及不能对关系进行可信度量化的问题.实验证明了所提出模型的有效性.     

基于MapReduce计算框架的文档领域本体模型构建

针对传统文档表示模型中语义关系缺失、特征词权重计算单一及海量数据的实时处理等问题,基于领域本体概念间的语义关系,结合MapReduce框架,提出一种特征权重自适应增强的文档领域本体模型(EAS-VSM)构建算法。该算法通过构造概念语义关系矩阵,将领域本体中概念之间的语义关系增强至每一个概念特征词中,从而实现概念特征词权重的自适应增强。实验结果显示,算法的加速比和可扩展性两项指标与数据规模呈明显的线性关系,证实模型的并行算法性能良好,且相较于传统的VSM和LSA模型,EAS-VSM模型计算的结果与专家经验更为接近,更能反映文档间的相似程度。     

基于地理本体的综合语义相似度算法

顾及到地理领域语义相似度计算模型考虑因素过于单一、主观性较强等问题,针对本体模型的结构特点,提出一种计算节点密度的新方法,并从模型概念间的关系类型、节点密度、节点深度等方面分析本体概念相似度的计算,将其归并为距离因素.基于本体层次网络结构计算语义信息量,该方法不依赖于专家经验,具有客观性.结合语义距离、信息量、属性等影响相似度的因素,提出一种计算概念问语义相似度的综合算法,该算法考虑到不同的影响因子在语义相似度计算中的重要程度不同,从而赋予地理本体关系不同的权值.通过对土地利用分类中实体的语义相似度进行实例验证,表明提出的算法能有效改善语义相似度计算的准确性和有效性,能够获得更符合认知的信息检索结果.     

数据质量约束规则的本体描述及推理研究

针对数据质量中约束规则描述的语义复杂性、 快速提取等问题, 引入本体技术描述数据质量约束规则等 要素的语义关系, 提出了元本体的思想, 对数据质量领域的核心词汇进行了提练, 并依据相关标准, 构建了与 领域无关的数据质量元本体模型。 在应用中, 特定领域可根据需求将该元本体模型实例化为用于描述本领域 的数据质量本体, 不仅解决了数据质量领域词汇共享与明确描述问题, 而且使数据质量复杂约束规则语义描述 得以解决。 同时, 以石油领域数据为例, 依据提出的质量本体元模型实例化出石油领域的质量本体模型, 定义 了各种推理规则, 并基于 Jena 推理机验证了构建的数据质量本体的合理性, 极大地提高了数据质量评估中约 束规则提取的效率。     

深化学会改革 提升服务能力——中国公路学会服务创新发展实践

 近些年来,特别是八届理事会以来,中国公路学会（以下简称学会）认真贯彻党的十八大、十九大精神和习近平总书记系列讲话精神,牢固树立“大交通、国际化”的战略思路,准确把握“经营学会”的发展理念,扎实推进学会全面深化改革工作,不断加强学会职业化建设,积极探索新时代下推进学会创新发展的新模式和工作新格局,有效促进了学会服务能力和服务水平提升,构筑起了为服务行业科技进步、为会员和科技工作者发挥才能、贡献智慧和力量的丰富多彩的平台。学会创办的“世界交通运输大会（WTC）”已成为中国科协重点示范性国际性学术活动;学会发起成立的“一带一路”国际交通联盟正逐渐成为推动“一带一路”交通基础设施领域建设与合作的重要力量;由学会牵头组建的“未来交通研究所”,成为中国未来交通领域的高端科技创新智库;成功申办《National Transportation》（《国家交通》）英文国际期刊,成为了向世界分享中国交通科技、促进中外技术交流的新载体。     

基于自建模糊本体的智能信息检索研究

提出一种基于本体的信息检索模型,该模型将信息检索系统与从搜索的数据信息自动构建的本体相结合.使用在本模型中的本体有一般语义本体、领域知识和自动生成、构建的模糊概念层.主要研究基于本体的信息检索模型.描述处理过程及检索机制,并采用TREC的评价方法评估该模型,讨论应用不同类型本体的检索效果和影响.实验结果表明,提出的信息检索模型具有较好的检索效果.     

基于统计式机器学习的地理本体融合模型

针对不同领域对地理事物的认知体系差异造成了地理本体异构的问题,提出了地理本体融合模型,引入统计式机器学习的方法对概念间的关系进行自动处理,并以概念间关系在不同本体出现的频度来产生其可信度,最后形成带有统计信息和领域信息的大型地理概念空间.该模型巧妙规避概念层面繁琐的异构映射过程,融合概念空间将多个地理本体所表达的概念知识融为一体,并保持了领域内的信息,有效实现了不同认知体系之间的共享.     

基于本体的服装知识表示方法研究

领域本体提供了丰富的概念集,是领域知识共享的基础。采用领域本体来表示服装领域知识,可以有效地实现知识共享、复用和检索。分析了服装知识的特点,开发出服装领域本体,建立了概念及概念之间的约束关系来表达服装领域知识,用本体表示语言OWL对其进行表示,作为面向服装的知识管理系统开发平台的知识来源。     

基于本体的空间信息集成

提出了将本体的思想和方法引入到空间信息集成的思路,以解决当前地理信息系统中的各种异构问题.研究了地理本体模型的建立和表示,并在此基础上提出了一种面向空间信息集成的地理本体比较方法,其核心思想是从结构和语义两个方面对地理本体中的概念进行比较,其中从结构方面对概念进行比较主要是对概念的名称进行比较,而从语义方面对概念进行比较主要是确定在地理本体中概念之间的语义关系.     

面向关系型数据的本体学习模型——RCAOM

为获取结构化的关系数据库中蕴含的知识本体,利用形式概念分析与本体间的双向互动关系,提出了基于关系形式概念分析的本体学习方法——RCAOM(relational context analysis ontology model)方法。RCAOM方法分别从关系数据的元数据层和元组实例两个层面发现概念及关系,通过关系数据库逆向工程和用户参与的概念格建立与概念测量,形成关系型的形式背景,最终转化为面向关系数据的本体模型。研究表明:RCAOM方法不仅可以较好地自动发现关系模式元数据概念及关系,而且能够有效发现隐含于数据记录中的概念及关系,构建面向主题的本体模型;具备分析复杂度低和收集盲点少的特点,是面向关系型数据库的本体学习和构建大型本体库的新探索。     

基于语义Web的智能信息检索模型

针对传统基于关键字的信息检索系统查全率和查准率都不高的缺点,提出了一种基于语义Web的智能信息检索模型,此模型在语义Web的环境下,利用本体技术,将最初的检索词通过查询扩展模块得到更完善的检索词集,然后利用扩展的检索词集进行检索。将基于关键字匹配的信息检索系统提升为基于本体知识库扩展查询的智能检索系统,从而提高了查全率与查准率,满足了人们对信息检索系统的要求。最后给出了模型的一种实施方案。     

基于本体增量学习的主题爬行

在面向领域的信息搜索中,本体作为相关的领域知识往往有助于改善搜索效果,在信息检索中被广泛应用.基于本体增量学习的主题爬行技术的研究工作主要包括:首先,利用本体对领域概念及关系的描述作为网页主题判定的依据;其次,在爬行过程中,将学习得到的新概念和关系加入到本体中,以丰富完善领域本体,进而提高主题爬虫的收获率;最后,经过大量的实验数据分析,在词条提取准确率、收获率和响应速度等多个指标方面,证明了所提出的方法是可行的并且是高效的.     

基于本体的构件库智能检索方法研究

基于本体的语义检索是建立在语义网基础上的检索技术,它能提高检索的查全率和查准率.本文结合本体对构件库的检索进行研究,给出了基于本体的构件库检索框架以及检索流程,讨论了需求、规则的相关概念及其性质以及需求/规则的映射方法.在规则推理的讨论中,引入了匹配度和优先级算子的概念,并对匹配度进行了扩展,使检索结果能够进行全局排序.