摘要：使用深度学习算法修复壁画时,缺乏语义约束,孤立地修复壁画会导致修复结果存在语义不一致,结构纹理紊乱的问题。为了解决这个问题,提出了一种全局语义与局部语义联合学习的壁画修复算法。首先,设计了联合学习分层网络,将壁画分为高层语义和低层语义,实现对不同语义的分层修复;其次,设计了全局联合学习生成模块,通过自回归网络对全局语义进行自回归建模,经语义推理得到壁画的全局修复信息;接着,构建局部联合学习生成模块,提出了上下文聚合块,学习壁画的上下文信息,生成壁画的局部信息;然后,加入联合学习注意力机制,实现全局语义与局部语义的一致性修复,解决了孤立修复导致误差累积和语义不一致的问题;最后,将生成的壁画放入谱归一化判别器中进行判别,得到修复后的壁画。对敦煌壁画的修复实验结果表明,与其他方法相比,用所提方法对壁画进行修复后的壁画具有更好的结构和纹理,所提方法的客观评价指标峰值信噪比和结构相似度均优于其他算法。

摘要：为保证产品具有良好的结构设计和零件可装配性,研究了装配语义模型,详细讨论了设计尺寸约束和装配几何约束的符号化表达方法,并给出了书写规则。在此基础上建立了装配语义图,通过节点描述零件属性信息,通过有向边描述装配语义信息。介绍了基于装配语义的产品装配设计工作流程,重点阐述了零件设计尺寸约束、装配规划信息和装配操作序列的推理过程。给出了语义修改和语义变动两种情况下装配语义图的维护机制。应用实例表明,该模型可以有效地支持产品的协同装配设计。

摘要：一致性维护和协调是协同设计中的关键问题,针对产品多学科协同设计的多视图性和动态性的特点,引入了一种动态协调原理和方法,其主要思想是当某学科设计者在协同设计过程中根据需求在其学科视图模型中动态增删组件后,通过基于组件功能语义的推理机制,其他学科自动响应,进行各自学科视图模型的更新操作,从而实现多学科视图模型间的动态协调。采用JSP+JavaBean+Drools+Ajax及相关技术开发了一个原型系统,并以减速器设计为例进行了分析与说明。

摘要：由于设计知识难以继承与共享,当前船舶舱室布置设计自动化程度还处于较低水平,导致船舶设计的总体效率较低,船舶舱室布置设计已成为制约整个设计过程效率的瓶颈.针对这些问题,将本体论的思想引入船舶舱室布置设计领域,在船舶舱室布置设计知识的基础上,提出船舶舱室布置设计本体模型构建方法.分析船舶舱室布置领域本体模型构建需要考虑的因素,运用本体建模软件Protégé搭建领域本体,该本体可为后续的推理活动、设计知识共享,以及船舶舱室布置智能设计系统的开发提供理论基础与技术支持.最后,通过一艘350t渔政船舱室布置设计实例,验证了所提本体模型的可行性和有效性.

摘要：随着语义网的快速发展,RDF语义数据大量涌现.大规模RDF语义数据推理的一个主要问题是计算量大、完成计算需要消耗很长的时间.显然,传统的单机语义推理引擎难以处理大规模的语义数据.另一方面,现有的基于MapReduce的大规模语义推理引擎,缺乏对算法在分布和并行计算环境下执行效率的优化,使得推理时间仍然较长.此外,现有的推理引擎大多存在可扩展性方面的不足,难以适应大规模语义数据的增长需求.针对现有的语义推理系统在执行效率和可扩展性方面的不足,文中提出了一种基于MapReduce的并行化语义推理算法和引擎YARM.为了实现分布和并行计算环境下的高效推理,YARM做出了以下4点优化:(1)采用合理的数据划分模型和并行化算法,降低计算节点间的通信开销;(2)优化推理规则的执行次序,提升了推理计算速度;(3)设计了简洁的去重策略,避免新增作业处理重复数据;(4)设计实现了一种新的基于MapReduce的并行化推理算法.实验结果表明,在真实数据集和大规模合成数据集上,YARM的执行速度比当前最新的基于MapReduce的推理引擎快10倍左右,同时YARM还表现出更好的数据和系统可扩展性.

摘要：由于多跳知识图谱问答任务的复杂性,现有研究大多通过堆叠多层图神经网络以捕捉更大范围的高阶邻居信息。这种做法将多阶信息融合在一起,以损失节点判别性为代价获取更全局的信息,存在过平滑问题;并且,由于离节点越近的邻居置信度越高,将多阶邻居信息融合在一起的做法会忽略邻居的置信度。此外,多跳知识图谱问答存在许多数据集通常没有给定中间路径的监督信息的弱监督问题,会使模型在进行路径推理时缺乏有效的指导信息,导致模型推理能力降低。为了解决以上问题,论文提出了一种多视图语义推理网络,该网络利用全局和局部两种视图的信息共同进行推理。全局视图信息是指节点的多阶邻居信息,能够为推理提供更丰富的证据;局部视图信息则只关注节点的1阶邻居信息,更具有判别性,能够缓解全局视图信息存在的过平滑问题。同时,该网络将问题分解为多个子问题作为中间路径推理的指导信息,并从问题语义构成的均匀性和一致性出发,设计了一种新颖的损失函数以提升问题分解的质量,以提高模型中间路径推理的能力。论文方法在3个真实数据集上进行了大量实验,实验结果表明,多视图的语义信息能够为推理提供更加全面的证据,将问题分解为子问题的做法能够提高中间路径推理的准确性,证明了论文方法的有效性。

摘要：目前基于遥感图像的城市功能区分类方法通常采用光谱特征解译、兴趣点数据辅助、评价策略优化等方式,依赖大量人工操作,并借助遥感图像外的其他信息源。为了解决以上问题,提出利用卷积神经网络进行滑窗识别,提取图像语义标签,结合语义推理机制实现城市功能区分类的滑窗-推理方法。首先,建立两级城市功能区分类,以二级城市功能区为标识标注训练样本,并以此训练卷积神经网络作为识别器;然后,设计有重叠的滑窗识别模式,使用识别器辨识滑窗区域内图像块的二级城市功能区类型;最后,提出一个带权重的打分机制,作为语义推理方式,语义推理对象为全部识别结果,确定各图像块的一级城市功能区类型,实现遥感图像城市功能区分类。实验使用模拟图像和高分辨率遥感图像,两种图像的总分类精度分别可达94.50%、92.04%。滑窗-推理方法旨在通过语义推理处理滑窗识别产生的多语义标签,根据多语义标签确定对象的真实城市功能区。实验结果表明,所提方法无需辅助信息,直接利用遥感图像进行城市功能区分类是可行和有效的。

摘要：从语义推理技术入手,主要针对描述逻辑、推理算法和推理机三个方面进行了研究分析。在此基础上,本文进行了语义推理原型系统的设计与实现。系统在语义分析模块中利用语义推理进行检索词的规范和扩展,在语义检索模块通过语义推理挖掘关联隐含知识。通过语义推理原型系统的构建,利用专用推理机Pellet与Jena推理子系统层叠的方式进行语义推理,为今后各种知识服务系统的语义推理提供参考依据。

摘要：MBD模型在包含几何信息和非几何信息同时还包含了大量的潜在语义关系.传统的推理算法存在推理深层次实体关系能力有限、时间复杂度大、推理多跳路径能力不足等问题,难以满足面向MBD模型的语义推理需求.本文在基于MBD的STEP知识图谱构建基础上,提出了基于改进深度强化学习的MBD设计语义推理方法.将基于MBD的STEP语义元模型映射到马尔可夫决策模型,通过对动态贪心算法参数、奖励值和学习率的改进来加快神经网络的收敛速度,实现对STEP知识图谱中MBD潜在语义规则的推理.最后以减速器传动轴的MBD语义推理为例证明可行性.

摘要：针对创新设计领域中科学效应知识的表达和语义扩展方面的不足,分析研究效应、功能、流和参数之间的关系和模型,借助本体将概念间属性和关系扩展到语义层次上,通过本体来更加全面地表达科学效应知识,构建科学效应知识本体模型,包括效应本体、功能本体、流本体和参数本体。在此基础上基于属性构建相应的语义推理规则,进行功能扩展和效应关联,通过语义推理实现科学效应知识的共享和重用。开发一个基于本体的科学效应知识检索系统,验证了此模型和方法的有效性和可行性。