支持模糊粗糙本体的推理机研究

不精确信息进行表达和推理逐渐成为一种必然的需求,而经典的本体并不适合处理这种不确定的信息.设计了一种支持模糊粗糙本体的推理机,其最大的特点是处理的对象是模糊粗糙本体,从而解决了不确定信息的推理问题.对模糊粗糙本体模型进行了研究,着重介绍了该模糊粗糙本体推理机的总体结构、功能及推理机中各模块的作用,通过对模糊粗糙本体进行约简和去粗糙处理,最终将对模糊粗糙本体的推理转化为经典的推理.     

基于形式概念的本体学习方法

模糊概念格是利用形式概念分析对不确定模糊信息进行建模的一种理论手段。从领域专家拥有的模糊概念知识中划分模糊概念类,得到构建本体的初始概念类;计算模糊概念与本体概念类间的包含度关系,扩大本体中的概念;发现概念与概念之间的相似度关系,用以学习本体概念之间的关系,实例表明了模糊形式概念分析有助于领域专家在本体学习过程中,挖掘本体概念和本体概念间的关系。     

应用粗糙模糊度的不完备信息系统属性约简

粗糙集理论能有效地处理不精确、不一致、不完整等不完全数据信息,可以对数据信息进行分析和推理,发掘隐含知识,揭示潜在规律.属性约简是粗糙集理论的重要研究课题.在现实生活中,由于各种条件限制,信息的不完备现象广泛存在,限制了经典Rough集理论在一些实际问题中的应用.文中引入粗糙模糊度度量,定义了一种新的知识熵.在此基础上,提出了一种基于信息观下粗糙模糊度的不完备信息系统属性约简算法.通过仿真实验说明了该算法的有效性和较好的时间优越性.     

粗糙本体支持的知识推理框架

基于精确本体的推理机不能够直接应用到粗糙本体的知识推理中,因此目前还没有适合粗糙本体的推理机。根据粗糙本体的特点,将其中的粗糙集、粗糙描述逻辑、粗糙包含和知识推理作为研究对象,在此基础上将基于描述逻辑的推理方法与基于规则的推理方法相结合,提出一种粗糙本体支持的知识推理框架,实现了粗糙本体的推理功能,解决了针对不确定信息的知识推理问题。     

粗糙本体支持的信息语义检索

为了实现精确本体无法完成的信息的隐含语义挖掘,检索到满足用户请求的信息,引入粗糙本体实现对信息语义检索的支持。剖析了基于精确本体的信息语义检索的过程及其不足,引入了粗糙本体以扩展精确本体,阐述了粗糙本体支持的信息语义检索的理论模型、设计了语义相似度算法,给出了模型实现方法。实验结果表明,该检索方法较之精确本体支持的语义检索和基于关键词的语法检索具有更好的检索效果。     

关于近似空间中粗糙包含可能度的研究

粗糙包含关系是粗糙集理论中一个重要概念,粗糙包含关系也是近似空间中的一个拟序关系。文章给出了在同一近似空间中比较两个不同粗糙集的包含可能度的计算公式,研究了粗糙包含可能度的性质,并讨论了粗糙包含度、粗糙度和划分加细关系之间的联系。     

基于包含度的变精度模糊粗糙集

利用模糊集的一个强包含度,在弱模糊划分的基础上建立了基于该包含度的变精度模糊粗糙集模型,对其重要性质进行了深入研究,并给出了对应形式粗糙度的计算方法,进一步利用海明距离和欧几里得距离定义了该模型下模糊粗糙集的两个粗糙性度量。给出的变精度模糊粗糙集模型能够使模糊粗糙集的运算按照模糊集的运算实现,为变精度模糊粗糙集理论的研究和应用莫定了一定的理论基础。     

包含度与粗糙集数据分析中的度量

粗糙集理论是一种新的处理模糊和不确定知识的软计算工具。粗糙集数据分析是粗糙集理论中的主要应用技术之一,它主要用来分析数据的性质、粗糙分类、分析属性的依赖性和属性的重要性、抽取决策规则等,在人工智能与认知科学领域有着重要的应用。该文通过将包含度概念引入到粗糙集理论中,建立了包含度与粗糙集数据分析中的度量之间的关系,证家了粗糙集数据分析中的有关度量均可归结为包含度。这些结论有助于人们深刻理解粗糙数据分析的本质,可作为建立粗糙集数据分析中的度量的主要依据。     

一种基于模糊概念相似度的模糊本体构建方法

研究了一种基于模糊概念相似度的模糊本体构建方法。对目标数据源进行模糊形式概念分析,构建模糊概念格,利用基于模糊概念相似度的概念聚类算法产生模糊概念聚类,并最终映射得到模糊本体。该方法对模糊概念的内涵及外延的相似度进行了全面的度量,并加入权重因子增强模糊聚类的可调节性。最后通过实例验证了该方法的可行性和有效性。     

一种利用模糊关系数据库构建模糊OWL本体的方法

经典OWL本体不能直接表示和处理语义Web应用中广泛存在的模糊知识,鉴于模糊关系数据库在模糊数据表示与处理方面的优势,提出利用模糊关系数据库来构建模糊OWL本体.通过对RDF数据类型进行模糊扩展,并从模糊数据类型角度扩展OWL,解决了模糊OWL本体的表示问题;在此基础上,研究了以模糊关系数据库为数据源的模糊OWL本体的构建方法,该方法为语义Web中模糊本体的构建提供了一个有效的解决方案.     

IKARUS-Onto: a methodology to develop fuzzy ontologies from crisp ones

Fuzzy Ontologies comprise a relatively new knowledge representation paradigm that is being increasingly applied in application scenarios in which the treatment and utilization of vague or imprecise knowledge are important. However, the majority of research in the area has mostly focused on the development of conceptual formalisms for representing (and reasoning with) fuzzy ontologies, while the methodological issues entailed within the development process of such an ontology have been so far neglected. With that in mind, we present in this paper IKARUS-Onto, a comprehensive methodology for developing fuzzy ontologies from existing crisp ones that significantly enhances the effectiveness of the fuzzy ontology development process and the quality, in terms of accuracy, shareability and reusability, of the process’s output.     

基于模糊集和粗糙集联系度的商务决策系统

粗糙集理论和模糊集理论都是研究信息系统中知识的不完整、不确定性问题,把集对分析中的联系度概念应用于粗糙集中,说明了粗糙集联系度与下近似集和上近似集的值化的关系,将粗糙集联系度理论与模糊集理论相结合,提出了一种基于模糊集和粗糙集联系度的综合评价方法,实例验证了该方法对一大类复杂信息系统的知识发现具有一定的应用价值。     

基于2型模糊描述逻辑的知识描述与推理及其在信任管理系统中的应用

描述逻辑由于其强大的描述能力与成熟的推理算法而被广泛应用。然而，经典描述逻辑局限于处理确定的概念和关系，从而导致描述逻辑很难处理类似语义网等大型本体系统中的模糊知识。虽然1型模糊集可以一定程度上减轻不确定性带来的影响，但是其采用确定的隶属度值来决定模糊度的方法是不够精准的。与之相比，基于2型模糊集的系统能够利用隶属度区间更加精确地描述模糊信息。本文给出描述逻辑ALC的2型模糊扩展形式，并且给出并分析了2型模糊ALC的描述和推理方法。最后使用2型模糊ALC建立了一个基于模糊本体的信任管理系统FOntoTM。     

粗糙本体构建的格-树转化方法

粗糙本体是处理不精确性信息的一种基础性工具,其存在形式是由粗糙概念和粗糙关系构成的树形结构。粗糙本体的具体形式因为参与构建的领域专家的不同而呈现多样性,然而同样也是由粗糙概念和粗糙关系构成的粗糙概念格却具有结构上的惟一性。粗糙本体的构建因而可以利用格和树的组成与结构的相似性,构建粗糙概念格,转化生成粗糙本体。探讨了格-树转化方法的实现步骤：构建粗糙概念格;聚类粗糙概念格中的粗糙概念生成粗糙概念树;转化粗糙概念树为粗糙本体。构建实例阐释了格-树转换方法的具体应用。     

基于粗糙集联系度的数据挖掘算法及应用研究

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论，两者都可用来观察、测试数据并进行推理。将集对分析中的联系度概念应用于粗糙集中，说明了粗糙集联系度与下近似集和上近似集的值化的关系。文中分析了专家系统中规则抽取中存在的困难，用粗糙集理论和集对分析理论解决专家系统中规则的抽取和过滤问题，提出了一种新的规则提取方法，并给出了一个应用实例。     

Relating ontologies with a fuzzy information model

More people than ever before have access to information with the World Wide Web; information volume and number of users both continue to expand. Traditional search methods based on keywords are not effective, resulting in large lists of documents, many of which unrelated to users’ needs. One way to improve information retrieval is to associate meaning to users’ queries by using ontologies, knowledge bases that encode a set of concepts about one domain and their relationships. Encoding a knowledge base using one single ontology is usual, but a document collection can deal with different domains, each organized into an ontology. This work presents a novel way to represent and organize knowledge, from distinct domains, using multiple ontologies that can be related. The model allows the ontologies, as well as the relationships between concepts from distinct ontologies, to be represented independently. Additionally, fuzzy set theory techniques are employed to deal with knowledge subjectivity and uncertainty. This approach to organize knowledge and an associated query expansion method are integrated into a fuzzy model for information retrieval based on multi-related ontologies. The performance of a search engine using this model is compared with another fuzzy-based approach for information retrieval, and with the Apache Lucene search engine. Experimental results show that this model improves precision and recall measures.     

基于范畴论的本体描述方法

针对各种本体语言在描述本体过程中容易产生理解不一致的问题,利用范畴论的抽象性及图形化表示的优势,提出一种基于范畴论的本体描述方法,并给出了本体、本体映射和本体实例化的范畴论定义,其中本体被描述成范畴中的对象,本体间的映射被描述成范畴中对象间的同态射,本体实例化被描述成范畴间的函子。在此基础上,结合共极限和推出给出本体合并的描述及解释,并证明了本体合并的一些典型性质。     

Reasoning of fuzzy relational databases with fuzzy ontologies

A significant interest developed regarding the problem of describing databases with expressive knowledge representation techniques in recent years, so that database reasoning may be handled intelligently. Therefore, it is possible and meaningful to investigate how to reason on fuzzy relational databases (FRDBs) with fuzzy ontologies. In this paper, we first propose a formal approach and an automated tool for constructing fuzzy ontologies from FRDBs, and then we study how to reason on FRDBs with constructed fuzzy ontologies. First, we give their respective formal definitions of FRDBs and fuzzy Web Ontology Language (OWL) ontologies. On the basis of this, we propose a formal approach that can directly transform an FRDB (including its schema and data information) into a fuzzy OWL ontology (consisting of the fuzzy ontology structure and instance). Furthermore, following the proposed approach, we implement a prototype construction tool called FRDB2FOnto. Finally, based on the constructed fuzzy OWL ontologies, we investigate how to reason on FRDBs (e.g., consistency, satisfiability, subsumption, and redundancy) through the reasoning mechanism of fuzzy OWL ontologies, so that the reasoning of FRDBs may be done automatically by means of the existing fuzzy ontology reasoner.© 2012 Wiley Periodicals, Inc.