發(fā)布時(shí)間：2021-07-21 11:44

　　針對(duì)產(chǎn)品信息交換中設(shè)計(jì)意圖語(yǔ)義挖掘需求,以STEP AP242為基礎(chǔ),構(gòu)建產(chǎn)品三維幾何信息與非幾何信息語(yǔ)義關(guān)聯(lián)的STEP知識(shí)圖譜,實(shí)現(xiàn)STEP設(shè)計(jì)意圖提取和交換.重點(diǎn)研究了STEP知識(shí)圖譜語(yǔ)義模型構(gòu)建、面向知識(shí)圖譜構(gòu)建的STEP知識(shí)提取以及基于知識(shí)圖譜的STEP知識(shí)推理等關(guān)鍵技術(shù);提出了面向設(shè)計(jì)意圖的語(yǔ)義元模型、基于增強(qiáng)學(xué)習(xí)的多語(yǔ)義特征知識(shí)提取及其規(guī)則挖掘和路徑推理技術(shù),有效彌補(bǔ)了傳統(tǒng)本體規(guī)則定義和推理方法的缺陷;最后結(jié)合實(shí)例論證可行性. 

【文章來(lái)源】：小型微型計(jì)算機(jī)系統(tǒng). 2020,41(03)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

知識(shí)圖譜體系結(jié)構(gòu)

STEP產(chǎn)品數(shù)據(jù)至增強(qiáng)學(xué)習(xí)的映射由兩個(gè)步驟組成．首先提取STEP文件中的知識(shí)與產(chǎn)品信息語(yǔ)義元映射，再基于語(yǔ)義元節(jié)點(diǎn)構(gòu)成的圖結(jié)構(gòu)提取整合語(yǔ)義元中相關(guān)信息和馬爾可夫決策模型進(jìn)行映射，圖2為產(chǎn)品數(shù)據(jù)信息至增強(qiáng)學(xué)習(xí)映射的示意圖．2)改進(jìn)Q-learning算法

其中，-k為斜率表示ε變化的快慢，x為自變量，智能體每找到一次目標(biāo)點(diǎn)，自變量x自增1,b為常數(shù)，取1．例如取k=0.02，在探索的初期，智能體并沒(méi)有找到目標(biāo)點(diǎn)，自變量x=0，這時(shí)參數(shù)ε取到最大值1，即智能體以1的概率隨機(jī)選擇動(dòng)作與環(huán)境交互，最大限度的提高了智能體發(fā)現(xiàn)目標(biāo)點(diǎn)的概率，而隨著發(fā)現(xiàn)目標(biāo)點(diǎn)次數(shù)的增加，智能體隨機(jī)選擇動(dòng)作的概率逐漸降低，最后智能體會(huì)傾向于快速收斂Q值完成學(xué)習(xí)．本文在相同的環(huán)境下對(duì)常數(shù)，階躍函數(shù)和一次函數(shù)模擬參數(shù)ε變化進(jìn)行多跳模擬實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖3所示．由實(shí)驗(yàn)結(jié)果可以看出，隨著推理路徑長(zhǎng)度的增加，階躍函數(shù)和一次函數(shù)擬參數(shù)ε變化收斂的效果較好．本文在后續(xù)的推理中采用效果較好的一次函數(shù)動(dòng)態(tài)模擬參數(shù)ε變化有效解決經(jīng)典ε-greedy策略收斂慢的問(wèn)題．

【參考文獻(xiàn)】：
期刊論文
[1]知識(shí)圖譜學(xué)習(xí)和推理研究進(jìn)展[J]. 吳運(yùn)兵,楊帆,賴(lài)國(guó)華,林開(kāi)標(biāo).  小型微型計(jì)算機(jī)系統(tǒng). 2016(09)
[2]本體映射中元素名稱(chēng)相似度計(jì)算方法研究[J]. 孫煜飛,馬良荔,郭曉明,蘇凱.  小型微型計(jì)算機(jī)系統(tǒng). 2015(09)
[3]語(yǔ)義網(wǎng)格環(huán)境下虛擬組織異構(gòu)產(chǎn)品信息的語(yǔ)義在線(xiàn)重組技術(shù)[J]. 簡(jiǎn)琤峰.  中國(guó)機(jī)械工程. 2011(01)



本文編號(hào)：3294962