8篇关于知识获取的计算机毕业论文

今天分享的是关于知识获取的8篇计算机毕业论文范文, 如果你的论文涉及到知识获取等主题,本文能够帮助到你

机电产品全生命周期绿色设计知识表达及管理系统构建

这是一篇关于全生命周期,绿色设计知识表达,知识获取,知识去重,绿色设计知识管理系统的论文, 主要内容为随着大数据等网络技术发展,可以通过各种途径获取海量产品设计资源,但是这些资源大多是杂乱的,导致无法有效表达、管理和利用丰富的设计资源以支持绿色设计过程等问题。针对绿色设计知识特点以及面向全生命周期的产品设计资源特征等方面进行分析,提出绿色设计知识表达方法并构建知识管理系统。主要研究内容如下:(1)构建绿色设计知识表达模型。提出绿色设计知识定义,分析绿色设计知识特点,对比分析多种知识表达方法,研究绿色设计资源特征,提出绿色设计知识规范化表达,即通过“操作-主体-效果”形式对绿色设计知识进行整理总结,构建一种基于复合元的绿色设计知识表达模型,并举例验证了该模型的实用性。(2)绿色设计知识获取及处理。对比分析知识获取方式,针对期刊文献库及专利库中的设计资源,提出基于半自动获取绿色设计知识的方法,面对整理的绿色设计知识可能存在相似重复的问题,研究绿色设计知识从上传到存储过程,分预处理和相似重复记录清洗两个阶段进行解决,提出绿色设计知识等级思想及等级确定思路。(3)构建绿色设计知识管理系统。针对绿色设计知识应用特点,系统采用B/S体系结构,确定分层开发架构。对面向全生命周期的绿色设计知识库、用户信息库、权限管理进行底层设计,为辅助绿色设计知识去重,构建概念同义库,提出改进的SNM算法检测相似重复记录,并进行相应处理。对绿色设计知识管理系统各个模块进行实现,并且通过应用举例验证了该管理系统的可用性和有效性。

条件性知识图谱的构建

这是一篇关于知识图谱,信息抽取,条件语句,序列标注,自然语言处理,知识获取的论文, 主要内容为人工智能的决策过程需要大量的知识。哲学家柏拉图把知识定义为“Justified True Belief”,即知识需要满足三个核心要素:合理性(Justified)、真实性(True)和被相信(Believed)。知识图谱作为一种知识的载体,也需要满足合理性、真实性和被相信。但是目前的知识图谱,无论是开放式知识图谱还是传统知识图谱,它们都忽略了条件信息。例如,传统的知识图谱从“早期科学家认为地球是宇宙的中心”这句话中提取三元组(地球,是,宇宙的中心)是不合适的,只有认清了事实的条件,这个事实才能被接受并进一步具体利用。由此可见,缺少条件的三元组只能被称为事实,而不是知识,因为他们并不满足合理性、真实性和被相信。条件在知识中起着至关重要的作用,而当前的知识图谱主要是基于事实构建的,而忽略了相应的条件。没有条件的事实是不能成立的。本文介绍了条件性知识图谱,与之前的知识图不同,它涉及事实及其条件。为了支持其研究,本文手动注释了一个名为H的通用数据集,这是第一个在一般领域文献上的条件性知识图谱数据集。本文在H上提出了一个条件性知识图谱构建模型并且用模型抽取的方法贡献了一个大规模的条件性知识图谱。并且本文利用条件性知识图谱构建模型抽取内部知识,来进行生物医学文献搜索,本文提出了MEMK模型,利用内部结构知识来学习查询和文档的基于交互的表示,以做出最终的相关性决策。实验表明,MEMK在公共基准测试中优于强基线,并且内部基于知识的查询扩展可以进一步将性能提高到一个新的艺术水平。

锂矿领域知识图谱构建与系统研发

这是一篇关于锂矿,领域知识图谱,知识获取,系统研发的论文, 主要内容为在大数据时代的今天,知识图谱技术应用而生。在通用知识图谱发展相对成熟的情况下,不同研究对象的领域知识图谱急需专业人士来补充研究领域的空白。再加上矿山信息化对国家战略的制定有重要的指导意义。而且锂矿作为一种新能源金属,在当前新能源汽车行业高速发展的阶段,是不可或缺的研究对象。所以,本文选取锂矿领域来构建其知识图谱,这对学者了解该领域都有着至关重要的作用,对领域专家提供知识支持,进一步丰富了领域知识图谱的内容。本文首先从中国知网以及锂矿领域相关网站爬取了11748篇语料数据,构成锂矿领域语料库,同时从百度百科爬取领域内词典的实体属性的三元组,并且从语料库中选取部分数据进行人工标注得到实体识别与关系抽取的数据集;其次,依据中文语言上下文联系紧密性以及Bert考虑上下文信息等特点,将Bert-Bi LSTM-CRF创新性的应用在锂矿领域数据上;接着在关系抽取中,本文提出一种考虑语句中实体的位置特征的方法与字向量结合形成特征向量,并使用Attention机制与Bi LSTM结合应用在锂矿领域关系抽取模型中;然后进行知识的合并与存储;最后,将该领域知识图谱进行应用,开发出领域知识图谱系统。综上本文主要从知识获取、构建锂矿领域知识图谱以及锂矿领域知识图谱系统研发三方面展开研究:1、知识获取:主要可以划分为锂矿领域的实体识别以及锂矿领域的关系抽取两大类。在该领域的实体识别方面,将模型Bi LSTM-CRF模型中的静态词向量技术word2vec替换为Bert预训练模型,在实验中与Bi LSTM-CRF模型以及Bi LSTM模型对比,F1值分别提高了1.53%、23.37%;在对该领域的关系抽取方面,考虑加入位置特征向量进行数据增强,并将模型复杂度低的注意力机制添加到Bi LSTM神经网络模型来抽取语句中的关系类型信息,取得了73.9%的F1值。2、锂矿领域知识图谱:在基于大量语料的条件下,进行知识抽取得到三元组信息,再与爬虫获取的百科类属性三元组进行知识合并后,最后把获取到的约1600条三元组形式的数据导入至Neo4j图数据库中以便进行记录、存储与更新。3、锂矿领域知识图谱系统:使用Springboot与Vue技术对系统进行前后端分离式开发,并最终落地具有知识可视化、知识查询、知识管理以及用户登录管理的功能,实现对知识的增删改查操作,利于知识图谱的更新与维护。

基于神经网络的模糊智能系统的研究与实现

这是一篇关于T-S 模糊推理模型,聚类分析,模糊神经网络,知识获取,J2EE的论文, 主要内容为本文旨在研究与实现适合 Internet 网络应用的基于 T-S 模糊推理模型的智能系统平台。研究了神经网络结合聚类分析进行模糊智能系统知识获取的方法;采用符合 J2EE规范的分布式组件结构模型开发了 B/S 模式的模糊智能系统平台。系统采用神经网络结合聚类分析的方法进行模糊知识获取。分析了 T-S 模糊神经网络的结构和学习算法,为了提高模糊神经网络的推理精度,引入了聚类分析数据挖掘方法,分析了常用的聚类分析算法;提出了采用顺序聚类结合 ISODATA 聚类算法来确定T-S 模糊神经网络的规则数和初始化参数,再通过梯度下降法修正网络的各参数值,最终获取知识规则,通过实例验证了该算法的可行性。对于知识表示方法,设计了知识规则的 XML 模型和 JAVA 类;获取的知识规则以 XML 文件的形式被保存;在推理时,知识文件被解析为 JAVA 类对象。对于推理方向的选择,采用正反混合推理的先进行反向推理再进行正向推理的方式;对于搜索策略的选择,选取了深度优先的搜索策略,用递归的方法来实现;当在知识库中搜索到相应的知识规则后,采用 T-S 模糊推理模型的求解策略进行求解。分析了 J2EE 平台的构架和各个组件模型,采用 EJB 结合 Servlet 的方法来实现了推理机和知识获取的算法设计,用 JSP 产生动态的用户交互页面,实现了 B/S 架构的分布式模糊智能系统平台。

锂矿领域知识图谱构建与系统研发

一种面向循证医学应用安全的实体关系属性联合抽取方法

这是一篇关于循证医学,自然语言处理,知识获取,PICO框架的论文, 主要内容为随着医学研究的发展,相关领域文献数量迅速增长,循证医学研究人员需要阅读大量文献以获取最新研究成果。循证医学的应用安全与医疗安全直接相关,医学证据获取的及时性、正确性与完整性直接影响循证医学的应用安全。尽管领域相关研究人员会总结系统综述以供参考,但总结综述耗费大量时间与精力,因此自动抽取医学证据成为推进循证医学实践的重要课题。现有医学证据抽取的研究通常为句子级别的摘要抽取或少数重要属性的识别,针对细粒度医学证据抽取的相关研究极少。医学证据摘要可加快医学证据的获取效率,但非结构化信息,不能够直接构建结构化医学证据;识别少数重要属性也不足以全面描述医学证据,难以保证循证医学的应用安全。基于以上背景,本文在实验室现有的Aceso证据抽取系统基础上,进一步研究了面向循证医学应用安全的实体关系属性联合抽取方法。方法基于PICO框架,在抽取医学证据摘要的基础上,尽可能精确、完整地抽取医学证据摘要中的细粒度实体关系和属性,保证循证医学的应用安全。主要研究内容如下:(1)为了解决医学证据知识获取面临的人工标注代价昂贵和领域泛化性较低的问题,本文提出了基于深度学习的医学证据摘要抽取方法Aceso-SEME。该方法从医学文献中自动抽取医学证据相关句子,构建医学证据摘要。与Aceso基于监督训练不同,本文方法使用深度学习模型进行文本分类,在文本向量表示上选用了在生物医学语料库上训练得到的语言模型,设计了包含双向循环神经网络与注意力机制的分类模型对文本进行分类,最终输出循证医学相关的句子构成医学证据摘要,并通过实验证明了方法的有效性。方法减少了人工标注代价,同时增强了证据抽取在不同医学领域的泛化性,提升了医学证据的获取效率与医学证据摘要的抽取质量,保证了循证医学的应用安全。(2)为了解决细粒度医学证据抽取效果差、信息抽取多关注实体关系,忽略实体属性、医学证据相关句子存在隐含头实体等问题,本文提出了医学证据中细粒度实体关系属性联合抽取方法Aceso-Joint。从医学证据摘要中以三元组的形式抽取结构化医学证据,用于构建循证医学知识图谱并应用于其它下游任务。方法使用深度学习方法,选用了在生物医学语料库上预训练的语言模型进行文本向量表示,使用联合抽取模型对实体关系与实体属性三元组进行抽取,得到结构化医学证据,并通过实验证明了方法的有效性。方法兼顾了实体关系与实体属性的抽取,解决了医学证据句子的隐含头实体问题,从整体上提高了细粒度医学证据抽取的质量与完整性,保证了循证医学的应用安全。(3)设计实现了医学证据抽取可视化系统——Aceso 2.0。系统在抽取医学证据摘要的基础上抽取细粒度医学证据。系统集成了Aceso-SEME和Aceso-Joint方法,主要功能包括上传文献、抽取医学证据摘要与细粒度医学证据、可视化医学证据和结果下载。

支持设计重用的裁断机快速设计系统研究与开发

这是一篇关于裁断机,知识重用,快速设计,知识获取,实例推理的论文, 主要内容为裁断机是轻工业生产中不可或缺的生产设备,其产品结构复杂、设计质量的影响因素较多。目前在裁断机的设计过程中由于缺乏对已有设计资源的管理和利用导致有大量的重复性工作,存在着产品设计周期长、设计效率低,难以满足市场复杂多变的设计需求的问题。本文将基于知识的工程技术和CAD技术结合起来,并应用到裁断机设计过程中,提出一种基于知识重用的裁断机快速设计方法,借助Siemens NX二次开发工具开发一套裁断机快速设计系统。旨在通过知识工程提高对裁断机已有设计知识重用的效率,实现裁断机的个性化、快速化设计。文章主要研究内容如下:(1)研究裁断机设计知识的建模。首先介绍了裁断机的总体结构,归纳其设计知识的特点、设计需求并完成了裁断机设计知识的分类;然后针对设计过程中隐性知识获取难的现状,采取基于主成分分析方法进行知识的挖掘;接着基于裁断机设计知识的特点和分类,采取以面向对象为基础的混合表示法对裁断机设计知识进行表示;最后研究了裁断机知识库的模块划分并构建出裁断机知识库。(2)研究基于知识重用的推理技术。针对以往裁断机实例数据没有合理利用的情况,提出了一种基于CBR的复合检索策略。首先通过模板法检索出与索引特征相似的实例组;接着通过K最近邻算法计算实例间相似度,考虑到K最近邻算法因为权重配比导致的相似度计算准确度不足的问题,提出一种基于AHP和CRITIC的综合赋权法对其进行改良;最后基于灰色关联分析方法进行实例的评价以得到最佳实例。实例分析表明,本文提出的复合检索策略使得实例的检索结果更加精确,具有效率高、正确性高的特点。(3)基于知识重用的裁断机快速设计系统的实现。在上述研究的基础上,借助NX二次开发技术、VS开发工具和C#开发语言完成基于知识重用的裁断机快速设计系统的开发。完成了系统的入口、主界面以及系统各功能模块的开发。最后通过一个示例证明了开发出的快速设计系统能够在裁断机新产品设计的过程中准确的调用设计知识、生成满足设计要求的新产品。