表象式语义网络:一种知识表示与推理方法
需积分: 9 50 浏览量
更新于2024-08-12
收藏 303KB PDF 举报
"表象式语义网络是一种将传统语义网络与表象信息相结合的知识表示方法,旨在处理形象思维和表象信息相关的问题。通过在语义网络中加入表象信息,可以支持形象思维的推理过程。论文由赵宏伟、张海龙和喊雪柏在2009年的《北京工业大学学报》上发表,讨论了表象式语义网络的构成要素和组织结构,并基于蚁群优化算法提出了解决表象式语义网络问题的算法,证明了这种方法在知识表示和推理上的有效性。"
表象式语义网络的知识表示方法主要特点是结合了对象的表象特征,如颜色、形状、大小等,这些特征描述了客观事物的属性信息。节点不仅包含了抽象概念,还涵盖了具体事物的属性和操作,使得数据封装和隐藏更加符合人类的思维方式。网络中的语义联系则限制在特定的关系类型中,如继承关系和方位关系。
论文中提到的算法基于蚁群算法和最大最小蚁群算法,这是一种优化技术,用于在表象式语义网络上寻找解决方案。蚁群算法模拟了自然界中蚂蚁寻找食物的行为,通过信息素的扩散和蒸发来逐步优化路径选择,而最大最小蚁群算法可能是对基本蚁群算法的一种改进,旨在提高搜索效率和避免早熟收敛。
通过实验,作者验证了表象式语义网络可以有效地表示知识,并且利用提出的算法可以在网络上进行推理,找到解决问题的较优解。这表明,表象式语义网络和所提出的算法对于处理涉及形象思维和表象信息的问题是有益的,为知识表示和推理提供了一个新的视角。
关键词:语义网络,表象,蚂蚁算法,知识表示,形象思维,优化算法
中图分类号:TP391.3,表明这是计算机科学和技术领域中的研究,具体为信息技术和自动化技术。文献标志码:A,通常表示文章具有较高的学术价值。文章编号:0254-0037(2009)08—1102-06,是该论文在期刊上的唯一标识,便于引用和检索。
表象式语义网络研究为知识表示提供了一个创新的方法,融合了形象思维的特点,提高了知识推理的灵活性和实用性,同时,蚁群算法的应用展示了计算智能在解决复杂问题中的潜力。这项工作对于理解和应用知识表示、人工智能推理以及优化算法等领域具有重要的理论和实践意义。
2019-08-23 上传
2020-02-06 上传
2021-04-26 上传
2021-05-10 上传
2021-06-16 上传
2021-05-22 上传
2021-02-06 上传
weixin_38610717
- 粉丝: 6
- 资源: 954
最新资源
- Aspose资源包:转PDF无水印学习工具
- Go语言控制台输入输出操作教程
- 红外遥控报警器原理及应用详解下载
- 控制卷筒纸侧面位置的先进装置技术解析
- 易语言加解密例程源码详解与实践
- SpringMVC客户管理系统:Hibernate与Bootstrap集成实践
- 深入理解JavaScript Set与WeakSet的使用
- 深入解析接收存储及发送装置的广播技术方法
- zyString模块1.0源码公开-易语言编程利器
- Android记分板UI设计:SimpleScoreboard的简洁与高效
- 量子网格列设置存储组件:开源解决方案
- 全面技术源码合集:CcVita Php Check v1.1
- 中军创易语言抢购软件:付款功能解析
- Python手动实现图像滤波教程
- MATLAB源代码实现基于DFT的量子传输分析
- 开源程序Hukoch.exe:简化食谱管理与导入功能