基于图模型的RDF/RDFS本体抽取方法

为了提高RDF/RDFS本体中特定领域知识的利用效率,提出了一种从源本体中抽取出特定领域本体的算法.将RDF/RDFS本体抽象为图模型;根据RDFS推理规则生成RDFS本体图模型的闭包;应用图理论构建抽取算法,生成以特定领域术语词典中概念为节点的子图,得到所需的领域本体.抽取结果表明,该方法对于RDF层次的领域本体抽取有良好的适用性,可快速有效地构建特定领域本体.     

模糊规则发现算法研究

引入最小强度的概念来限制模糊属性集的搜索范围，提出一种能发现强模糊规则的快速算法．此算法利用Apriori算法的搜索技术来发现强模糊规则，因此具有较高的算法效率，并有效地解决了模糊系统的维数灾难问题．在快速算法的基础上，又提出一种能发现固定数目的强模糊规则的划分算法．该算法将数据库划分成多个子数据库，并在于数据库上通过发现划分强模糊属性集来限制全局强模糊属性集的搜索范围．实验表明，划分算法比快速算法更节省时间．     

语言值关联规则在气象系统仿真中的应用

在信息处理领域，大型关系数据库中的数据挖掘是一个热点，文中应用模糊c－方法算法（FCM）将数据库中记录的值划分成多个语言值，并借助语言值来软化数量性论域的划分边界，由此生成一系列的语言值关联规则。接着文中根据最大隶属原则将数据库中的记录映射到语言值，定义了语言值关联规则的支持率和信任度。最后讨论了语言值关联规则在气象系统仿真中的应用。     

基于模糊描述逻辑的模糊UML类图形式化

由于UML难以表示现实世界中存在的大量不确定和模糊的信息,因此前人提出了模糊UML。与UML类似,模糊UML是半形式化语言,缺乏精确的语义。为解决这一问题,提出一种用模糊描述逻辑形式化表示模糊UML类图的方法,扩展模糊描述逻辑f-SHOIN(D)为其逻辑基础,详细描述模糊UML类图中的类、属性和各种关系转化为模糊描述逻辑表达的形式化过程,最后用实例证明该方法是可行的。     

基于语义提升HMM的语义标注

语义标注所用标签数目众多,训练数据更为稀疏,用HMM作语义标注面临参数估计不准的难题。不同于传统的解决数据稀疏方法,以《同义词词林》的层次式结构为依据,提出了利用语义层次的提升来改善HMM(hidden Markov model)中参数的估计质量;在算法实现中,采用选择受限策略来解决因语义提升而引起的模型辨别力下降问题。测试表明,在训练数据相对稀疏的情况下,适度调整模型的语义层次可大幅提高语义标注的精度,该方法表现出较好的可塑性。