8篇关于推理的计算机毕业论文

今天分享的是关于推理的8篇计算机毕业论文范文, 如果你的论文涉及到推理等主题,本文能够帮助到你

OWL本体并行推理

这是一篇关于本体,合取查询应答,推理,分布式的论文, 主要内容为本体推理是知识图谱应用研究的核心内容。近年来,随着语义网的提出和语义技术的进一步发展,本体推理越来越受到科研人员和工业界的重视。特别是本体推理中的合取查询应答(Conjunctive Query Answering,CQA)任务。在现有的解决查询应答主流推理算法中,伴有推理效率不高且不能够保证结果的正确性和完备性的弊端。因此,如何高效的在大规模OWL本体上解决推理问题,成为一个具有挑战性的工作。本文针对OWL本体提出了面向合取查询应答的分布式查询方案。通过线下物化标准化模型的方法,能够高效解决大规模OWL本体推理问题。在分布式查询方案中,首先求取知识库的标准化模型,即Uk模型。语义上,就是对ABox的扩充,即通过增加额外的实例名标签的方式。其次对Uk模型进行优化,通过分析规则之间的内在关联合理分配并发数以及执行顺序实现从串行到并行的更加高效的转变。接着提出模型有限化方案,由于标准化模型往往是无限大的,因此还需要解决的技术问题就是,对于任意给定的查询,应先求取其步长,用查询的步长以限定模型的无线增长将其有限化。然后将标准推理任务中的合取查询用SPARQL形式化表示,把RDF数据图中的每个顶点都看作是可执行计算的最小单元,并且将整个RDF图映射成可互相传递消息的顶点集合,充分利用图的特性,使用消息传递的方式逐步完善查询图,逐渐减少变量数量。最后利用gStoreD、RDF-3X、TriAD等查询引擎求解其解集,最终得到查询结果。本文设计的实验从查询性能以及结果的正确性和完备性两个角度加以验证和评价,相较于查询改写思路性能有明显的提升,而相较于简单物化思路也能够保证对于任意的Benchmark上的标准化查询都能够得出正确完备的解集。综上所述,基于线下的标准化模型物化方法,能够有效的改善推理效率以及提高结果的正确性和完备性。为本体推理提供新的解决思路。也说明了本文对进一步完善知识图谱并解决推理问题具有一定的理论和实践意义。

基于Web的江西水稻病虫害防治专家系统

这是一篇关于专家系统,知识,水稻病虫害,推理,诊断的论文, 主要内容为水稻是我省重要的粮食作物之一,由于水稻病虫害的发生,每年都会对稻谷造成极大的损失,改进现有水稻植保工作方法,对水稻病虫害进行有效的防治,是提高水稻产量的重要保障,而农业信息化技术是改进现有工作方法的重要手段。在研究了大量农业专家系统设计思想基础上构建的基于Web的江西水稻病虫害防治专家系统,使人们可以通过网络对水稻病害、虫害信息进行了解并获取相关的防治技术,系统能够对水稻病虫所产生的危害进行诊断,同时通过相关的预测模型对水稻病虫害的发生情况给出一个预测结果,使人们能够及早的开展防控工作,因此,具有重要的研究价值和应用前景。本系统研究了专家系统的基本结构功能、知识表示方法及推理技术等基本理论,以JSP作为开发环境,采用Hibernate和Struts等主流的网络开发技术,以江西省水稻生长过程中常见的病虫害等植保问题为研究对象,对相关领域知识进行分析整理,建立了专家系统的知识库,运用数据库理论知识构建出了基础数据库和模型库,对比了多种基于Java的规则引擎技术后,确立了以Jess为系统的推理引擎,设计出了系统的推理机制。旨在开发出基于Internet的水稻病虫害防治专家系统,为水稻植保科技工作者、水稻生产管理者以及相关人员提供专家级的诊断解决方案等,并为用户提供远程访问,共享水稻的病虫害和防治技术数据。

基于Web的江西水稻病虫害防治专家系统

OWL本体并行推理

基于Web的江西水稻病虫害防治专家系统

基于本体的茶树虫害智能诊断系统研究

这是一篇关于本体,推理,诊断,茶树虫害的论文, 主要内容为本体(Ontology)作为一种能够在语义和知识层次上描述信息系统的概念建模工具,自被提出以来就引起了国外许多科研人员的关注,并在知识工程、数字图书馆、软件复用、信息检索和Web异构信息的处理、语义Web等众多领域得到了广泛的应用。本文将本体引入到茶学领域,以茶树领域知识为背景,尝试构建茶树虫害领域本体,并把它作为茶树虫害诊断中有力的语义工具,使得茶树害虫领域概念能够有着明确唯一的定义,在人和机器之间达成一种共识,促进人机交流。本文研究重点解决茶树虫害智能诊断系统中的两个关键问题——茶树虫害诊断本体的概念建模、茶树虫害本体的智能诊断推理,提出建立面向茶树虫害领域的本体建模理论和方法,开发出基于本体的茶树虫害智能诊断原型系统。本文研究的主要内容及取得的成果如下: 1.研究了基于OWL的茶树虫害本体的概念建模理论与方法。提出了基于本体的茶树虫害知识的组织形式,给出了茶树虫害诊断系统的概念模型,采用OWL实现了茶树虫害本体知识的有效表示,探讨了对本体进行一致性检测的方法。 2.研究了基于茶树虫害本体的智能诊断推理的理论与方法。通过分析茶树虫害诊断领域的特点,提出运用描述逻辑推理和语义推理相结合的方法,实现了对茶树虫害的智能查询和诊断。 3.研制开发了基于本体的茶树虫害智能诊断原型系统。在Eclipse平台环境下,采用Jsp / Servlet技术,开发了一个茶树虫害诊断原型系统,用实验验证了文中所用理论与方法的正确性。本文的研究成果对于茶树虫害领域知识的有效表达、组织管理以及复用共享,提升茶树虫害诊断系统的问题求解和协同能力,提高茶树虫害诊断防治的智能化水平,进一步开展农业知识工程的基础理论与关键技术研究,具有一定的现实意义和实际研究价值。

大规模图神经网络计算加速关键技术研究

这是一篇关于图神经网络,训练,推理,流水线并行,数据并行,数据缓存的论文, 主要内容为图神经网络能够有效探索图中顶点的复杂依赖关系,已成为处理图结构数据的强大工具,并成功应用于社交网络、知识图谱、推荐系统和化学反应等领域中。随着图数据规模的不断增大,大规模图神经网络的计算成为当前的研究热点和难点,在小批量采样、数据加载和嵌入计算等方面仍面临巨大的性能挑战。由于图的复杂性和不规则性,小批量采样数据访问随机化会导致采样数据局部性差和邻域扩展爆炸问题。同时图中顶点有着复杂的依赖关系,一个顶点很可能连接到多个目标顶点,使得不同的小批量可以多次选择重复的顶点,这种冗余顶点访问模式导致了从CPU到GPU数据加载效率低下的问题。而且,冗余顶点访问模式和图神经网络推理算法导致了GPU中冗余顶点的嵌入计算。因此本文分别在图神经网络训练和推理阶段针对以上小批量采样、数据加载和嵌入计算等方面进行了研究。首先,针对训练阶段小批量采样过程数据局部性差和邻域扩展爆炸的问题,本文提出了局部感知的小批量采样方法,通过在聚类后的顶点上采样,不仅提高了顶点访问的局部性,还限制了邻域扩展的范围,显著减少了采样时间。针对图神经网络训练中数据加载延迟过大以及传统数据缓存方法效率低的问题,本文还提出了模型层数感知的缓存方法,通过缓存指定目标顶点的l阶邻域中的所有顶点,极大地减少了缓存图顶点特征的数量,实现了更好的缓存效率和内存利用率。测试结果表明,本文的方法能在超大规模数据集上完成训练,相比于DGL,本文的方法平均能够减少85.5%的采样时间和90.4%的数据加载时间,综合加速比最高达到5倍。其次,针对大规模图神经网络推理中冗余顶点嵌入计算和数据加载问题,本文提出了一个支持自适应图结构的图神经网络推理方法并使用特征分区缓存方法进行了优化。本文提出了自适应图结构的图神经网络推理方法,该方法可以根据不同推理任务的计算模式选择最优推理算法,以最小化顶点嵌入的计算量。此外,本文提出了一种特征分区的缓存策略,预先划分目标顶点并在GPU缓存相应的特征数据,计算完成一个分区的目标顶点后,将其替换为后续的特征数据分区。这种特征分区缓存策略极大地减少了缓存的图顶点特征,并且每个小批量中的顶点可以与GPU内存中的缓存特征相匹配,实现了高效的数据加载。测试结果表明本文的方法相比于DGL能够最多减少99%的顶点嵌入计算时间和99%的数据加载时间。最后,针对大规模图神经网络分布式计算中通信量大和可扩展性差的问题,本文提出了自依赖的图划分方式,并将训练和推理的方法应用在基于自依赖划分的分布式计算中。本文对图进行划分后,对于每个图分区,扩展子图中目标顶点的邻域,包括采样期间所需邻居顶点的全部信息,以避免跨机器的数据传输和特征收集。之后在分布式的环境中应用本文在训练和推理中提出的方法,进一步加快了图神经网络的计算速度,并且提高了分布式计算的可扩展性。实验结果表明本文的方法能最大比DGL快8.7倍,并且可扩展性提高了21%。