Web上分布式领域组件的框架表示

文章采用知识表示中的框架表示法,结合谓词产生式,语义网络等手段,提出了一个具有网络分布式及Ｗｅｂ化构造特性的领域构架及组件的表示方法ＦＲＤＤＣ。应用ＦＲＤＤＣ实现的ＡＮＤ－ＣＡＳＥ模型表现了ＦＲＤＤＣ的自然性,结构性,Ｗｅｂ可操作性,容纳柔性及知识表达能力。     

FKAOS：一种面向Agent需求工程方法

面向Agent需求工程重点研究软件系统的面向Agent的抽象组织形式．本文提出一种新的面向Agent需求工程方法——FKAOS方法．该方法作为较高抽象程度的以Agent为核心的软件系统描述方法能辅助用户和系统设计人员更好地分析和设计系统需求．FKAOS方法通过引入Fuzzy Z语言，扩展经典的KAOS方法，描述多Agent系统中的非确定需求问题．FKAOS方法中的描述视图引入了KAOS方法的目标和责任视图，并添加了一些新的专门描述面向Agent的需求问题的视图和表．本文重点介绍了FKAOS方法的基本元模型概念和相关的主要视图描述模型等内容，并通过一个实例演示了FKAOS方法的实际应用过程．     

C语言反编译系统DECLER

本文对C语言反编译系统DECLER1．1性能、结构及实现技术给出介绍，并对反编译研究中存在的问题进行了讨论和分析。     

属性最小约简的增量式算法

知识约简是ＫＤＤ（数据库中的知识发现）中的重要步骤，在粗糙集合理论中，对属性约简原理和方法有专门的论述，许多学者对约简长法进行研究，但是，这些研究几乎都是针对静态数据的，而数据库是动态的，本文提出了当增加数据库记录后，如何在已有最小性的约简族集的基础上求解新的最小属性约简簇集的算法ＡＳＲＡＩ，证明了算法的正确和分析了它的时间复杂性，然后又提出了这个算法的改进算法ＩＡＳＲＡＩ。     

中文文本自适应压缩模型

自然语言文本的压缩是数据压缩的重要应用领域。文本压缩的关键在于构造适当的模型。本文介绍的压缩模型是一种基于知识的主动模型，它具有中文字词识别，自适应调整，以及自适应学习的能力。试验表明，该模型取得了良好的压缩效果。     

概念格合并原理与算法

子形式背景可以进行纵向或横向合并得到一个新的形式背景,相反地,这个形式背景可以进行纵向或横向的拆分得到子形式背景。相应地,子概念格也可以进行合并,得到一个新的概念格。概念格合并无论是纵向合并还是横向合并,合并都不改变原有概念之间业已存在的父子关系。根据这个事实,结合概念格合并的定义,设计了概念格合并算法。这个算法充分利用原有概念格的结构,在原有概念格基础上对部分节点进行调整得到合并结果。这个算法与将一概念格中的概念插入到另一个概念格相比,实验和分析均表明效率明显提高,适合概念格的合并运算。     

构件复用的Web化支撑模型研究

本文基于一种以网络、Δgetn及领域为基础的Web化构件复用支撑模型,简述了其采用的框架模板表示方法及对构件化软件的分层规范:构造了领域框架、构件的分布式描述类库,提出以多Agent的手段实现分布式的构件搜索、管理,描述了各Agent的主要逻辑及相互协同关系.原型实现中使用了ASP、Java、JDBC、SQL等工具,并在实际开发中进行了应用试验.     

基于深度信念网络的事件识别

事件识别是信息抽取的重要基础.为了克服现有事件识别方法的缺陷,本文提出一种基于深度学习的事件识别模型.首先,我们通过分词系统获得候选词并将它们分为五种类型.然后选择六种识别特征并制定相应的特征表示规则用来将词转化为向量样例.最后我们通过深度信念网络抽取词的深层语义信息,并由Back-Propagation(BP)神经网络识别事件.实验显示模型最高F值达85.17%.同时,本文还提出了一种融合无监督和有监督两种学习方式的混合监督深度信念网络,该网络能够提高识别效果(F值达89.2%)并控制训练时间(增加27.50%).     

一种基于搜索策略的多主题信息采集方法

本文针对多主题信息采集效率低下的问题,调研了主题规则在内置搜索引擎和通用搜索引擎上搜索结果的差异,提出将主题规则拆分成原子规则的思想,分析了原子规则间的相同、互换、包含三种关系.在原子规则之间关系的基础上,设计了针对内置搜索和通用搜索不同的原子规则分配策略,这样做一方面提高主题信息采集的准确率,另一方面减少搜索采集的次数.针对原子规则直接搜索结果的准确率不高的问题,提出了基于句群的主题与信息相关性的过滤方法.设置138条主题规则(拆分后的原子规则为8223条),14个内置搜索引擎和4个通用搜索引擎,在单位时间内采集到的信息总条数与采集到的相关信息的条数两个方面进行了实验比较.结果表明,所提方法在信息采集数目及相关信息采集数目方面均具有较好的性能.     

多概念格的横向合并算法

由于概念格自身的完备性,构造概念格的时间复杂度一直是影响形式概念分析应用的主要因素.本文首先从形式背景的纵向、横向合并出发,定义了内涵独立和内涵一致的形式背景和概念格;还定义了内涵一致的形式背景、概念的横向加运算和概念格的横向并运算,并证明了横向合并的子形式背景的概念格和子背景所对应的子概念格的横向并是同构的.最后结合子概念格中概念间固有的泛化－特化关系,提出一种多概念格的横向合并算法来构造概念格.试验表明,该算法和直接用形式背景来构造概念格的算法相比,其时间复杂度有显著改善.显然,该算法适用于对概念格进行分布并行构造.