趙會(huì)園，李紹穩(wěn)，劉 超，章 麗(1．安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院安徽省農(nóng)業(yè)信息學(xué)重點(diǎn)實(shí)驗(yàn)室，安徽合肥 230036)

?

基于云變換的農(nóng)業(yè)領(lǐng)域本體概念構(gòu)建方法研究

趙會(huì)園，李紹穩(wěn)，劉 超，章 麗
(1．安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院安徽省農(nóng)業(yè)信息學(xué)重點(diǎn)實(shí)驗(yàn)室，安徽合肥 230036)

摘 要:針對(duì)現(xiàn)有的本體語(yǔ)言不能夠表達(dá)農(nóng)業(yè)領(lǐng)域知識(shí)中存在的諸多模糊概念這一事實(shí)，本文提出一種基于云變換的不確定性本體概念的構(gòu)建方法．設(shè)計(jì)通過(guò)不確定性本體概念的特征屬性選擇、概念維度數(shù)字特征提取與概念層次躍升，得到較粗粒度的不確定性概念的綜合形式化表示，并通過(guò)實(shí)例驗(yàn)證方法的有效性．此外還對(duì)傳統(tǒng)的云變換算法中熵的估計(jì)步驟進(jìn)行了改進(jìn)，證明其在時(shí)間復(fù)雜度上有一定優(yōu)勢(shì)．實(shí)驗(yàn)結(jié)果表明，該方法所提取的概念維度數(shù)字特征是有效的，能夠較好的表示概念的隨機(jī)性與模糊性，有助于農(nóng)業(yè)領(lǐng)域本體的客觀構(gòu)建．

關(guān)鍵詞:本體;不確定性知識(shí);云模型;云變換;綜合數(shù)字特征值;形式化

引用格式:趙會(huì)園，李紹穩(wěn)，劉超，等．基于云變換的農(nóng)業(yè)領(lǐng)域本體概念構(gòu)建方法研究［J］．安徽師范大學(xué)學(xué)報(bào):自然科學(xué)版，2015，38(2) : 123－128．

引言

Gruber［1］提出本體是概念的明確的形式化表達(dá)，在傳統(tǒng)的領(lǐng)域本體構(gòu)建中，大多數(shù)的研究偏向于研究領(lǐng)域本體的生成方法，學(xué)者通常認(rèn)為本體的生成方法分為以下五種:從自由文本中生成本體、基于詞典生成本體、從半結(jié)構(gòu)的模式數(shù)據(jù)中生成本體、從關(guān)系模式數(shù)據(jù)中生成本體［2］．眾所周知，領(lǐng)域本體是一個(gè)涉及大量領(lǐng)域概念及概念間關(guān)系的規(guī)范說(shuō)明的體系．本體所表示的概念是明確的、可定義的、計(jì)算機(jī)可讀的，并要求以一種普遍認(rèn)同的規(guī)范來(lái)進(jìn)行描述．因此，規(guī)范化的領(lǐng)域概念構(gòu)建是領(lǐng)域本體構(gòu)建的基礎(chǔ)和重點(diǎn)．

在前期構(gòu)建農(nóng)業(yè)領(lǐng)域本體的研究中，我們發(fā)現(xiàn)，很多對(duì)象及描述對(duì)象的屬性具有很強(qiáng)的不確定性，如體型較大、危害嚴(yán)重、蟲(chóng)體褐色等，到底蟲(chóng)體多大算作體型較大?危害程度在什么范圍屬于危害嚴(yán)重?精確的褐色RGB值是多少?現(xiàn)有的本體描述語(yǔ)言無(wú)法對(duì)此類不精確概念進(jìn)行描述．同時(shí)，從某種角度來(lái)看，確定性的知識(shí)是不確定性知識(shí)的特殊表現(xiàn)形式．因而，如何從領(lǐng)域知識(shí)中提取不確定性概念、形成不確定性概念層次，形成一套基于本體的不確定性知識(shí)的表示方法是目前本體研究領(lǐng)域的迫切任務(wù)．

基于上述原因，本文提出一種基于云變換的不確定性本體概念的構(gòu)建方法．設(shè)計(jì)通過(guò)選擇表征概念的特征屬性、提取基于云模型的概念的綜合數(shù)字特征來(lái)解決農(nóng)業(yè)領(lǐng)域本體構(gòu)建中的不確定性概念的表示問(wèn)題．

1　云模型與概念表示

1．1云模型與逆向云發(fā)生器

1995年李德毅提出的云模型［3］，目前已經(jīng)被廣泛應(yīng)用于多個(gè)領(lǐng)域．云模型是一種能夠同時(shí)表示知識(shí)隨機(jī)性和模糊性的數(shù)學(xué)模型［4］．這為領(lǐng)域中不確定性知識(shí)的表達(dá)提供了良好途徑，通過(guò)對(duì)多種不確定性模型的比較，筆者認(rèn)為將云模型引入到農(nóng)業(yè)領(lǐng)域本體建模中，最終可以生成表示不確定性知識(shí)的農(nóng)業(yè)領(lǐng)域本體新形式———云本體．該形式在傳統(tǒng)本體五元組的基礎(chǔ)上加入云模型的三個(gè)數(shù)字特征值變成八元組的不確定性概念表示形式Oc: = (C，R，A，F(xiàn)，I，Ex，En，He)．用云模型的期望Ex表征定性概念的中心點(diǎn)、熵En表示定性概念的變化范圍(模糊性)和超熵He通過(guò)云滴的凝聚程度表示定性概念的波動(dòng)性(隨機(jī)性和模糊性)．其中，逆向云發(fā)生器理論是定性概念表示中的主要理論．

逆向云發(fā)生器［5］能夠?qū)⒁唤M符合某種分布的基于統(tǒng)計(jì)的定量數(shù)據(jù)轉(zhuǎn)化為以云模型的數(shù)字特征(Ex，En，He)來(lái)表示的定性概念．

目前被廣泛使用的是無(wú)確定度的逆向云算法．其原理是首先計(jì)算樣本均值作為概念云模型的期望值，再經(jīng)過(guò)一階樣本絕對(duì)中心矩來(lái)計(jì)算樣本方差，進(jìn)而得到熵和超熵．具體步驟如下:

第一步:根據(jù)輸入樣本xi計(jì)算定量數(shù)據(jù)樣本的均值一階樣本絕對(duì)中心矩陣|，樣本方差

1．2 云變換

逆向云發(fā)生器是針對(duì)一組數(shù)據(jù)提取單個(gè)概念的表示方法，那么云變換［6］算法則是適用于更普遍的多個(gè)概念的提取和轉(zhuǎn)化．云變換算法是從數(shù)據(jù)統(tǒng)計(jì)頻度圖中，以曲線擬合的方式進(jìn)行概念云的三個(gè)數(shù)字特征的提取．現(xiàn)實(shí)統(tǒng)計(jì)中，數(shù)據(jù)頻度分布圖總是有多個(gè)拐點(diǎn)的，即多個(gè)概念的數(shù)據(jù)邊沿模糊不清，混淆在一起．從適用性角度來(lái)說(shuō)，云變換算法更適用于實(shí)際概念的提取，基于逆向云發(fā)生器的云變換算法［7］，其原理如下:

在原始頻度分布函數(shù)的g(xi)頻度大于閾值ε的情況下，根據(jù)頻度較高的點(diǎn)對(duì)概念的貢獻(xiàn)程度最大的啟發(fā)式原理，取局部極大值點(diǎn)xi作為概念云模型的期望．再選取此點(diǎn)左右兩邊的n個(gè)點(diǎn)作為樣本帶入無(wú)確定度逆向云發(fā)生器，求得此概念的熵和超熵的值．從原始頻度分布圖中再減去云模型的期望曲線，在新的頻度分布圖上，不斷循環(huán)求解，直至不滿足閾值ε條件，從而能得到多個(gè)原子概念及表示它們的三個(gè)數(shù)字特征值．可見(jiàn)，云變換算法的核心就是對(duì)云概念的三個(gè)數(shù)字特征值的分步求解．

1．3 改進(jìn)的熵估算方法

文獻(xiàn)［6］［8］［9］所論述的云變換算法，在概念的期望值和超熵的求解上都是一致的，不同點(diǎn)體現(xiàn)在熵的求解上．文獻(xiàn)［8］首先提出了峰值云變換的概念，給出了概念構(gòu)造的啟發(fā)式原理，文獻(xiàn)［9］給出了求解云模型三個(gè)數(shù)字特征值的具體步驟，但在求解熵En時(shí)，只粗略的說(shuō)到以擬合原分布曲線的方法來(lái)構(gòu)造，文獻(xiàn)［6］給出了具體的擬合步驟，按照一定的準(zhǔn)則實(shí)驗(yàn)性的選取代表點(diǎn)，以云模型的期望曲線不斷接近原分布曲線，得到理想的熵值，但其實(shí)現(xiàn)步驟較為復(fù)雜，需要多次人機(jī)交互．

數(shù)學(xué)上較易證明，對(duì)于某一特定波峰，它與最近波谷的差值為一定值，因此求解概念期望值鄰近波谷與波峰的差可以轉(zhuǎn)化為直接求解鄰近波峰之間的差．以此原理改進(jìn)文獻(xiàn)［6］熵的求解步驟:即首先找到所有波峰值Ex．采用啟發(fā)式原理，在第i步確定了Exi后，計(jì)算其與剩下所有峰值的頻度差，若這個(gè)差值大于特定閾值n2，則計(jì)算Exi的最短距離點(diǎn)Exi'，將［Exi－fabs(Exi'－Exi)，Exi+ fabs(Exi'－Exi)］范圍內(nèi)的數(shù)據(jù)點(diǎn)作為云滴，利用無(wú)需確定度信息的逆向云發(fā)生器算法計(jì)算出Eni，Hei的值．

表1　改進(jìn)云變換算法流程Table 1 The improved cloud transform algorithm

改進(jìn)后算法如表1．

改進(jìn)后的算法避免了原算法［6］在概念中心點(diǎn)期望值Ex附近實(shí)驗(yàn)性的尋找n個(gè)代表點(diǎn)的步驟，取消了查找中間比較變量波谷值，直接計(jì)算滿足閾值條件的最近波峰點(diǎn)，將兩者之間的左右對(duì)稱點(diǎn)作為代表點(diǎn)，從而簡(jiǎn)化了原算法的實(shí)現(xiàn)步驟，避免了多次人機(jī)交互過(guò)程．原算法不斷循環(huán)求解概念，故每掃描一次數(shù)據(jù)集產(chǎn)生一個(gè)概念，時(shí)間復(fù)雜度約為O(m* w)，改進(jìn)后一次并行尋找所有波峰假設(shè)為n個(gè)，滿足閾值條件的有m個(gè)波峰點(diǎn)即概念期望值點(diǎn)，再在此基礎(chǔ)上尋找最近波峰值，時(shí)間復(fù)雜度約為O(w) + O(m* n)，n和m遠(yuǎn)小于w，w為屬性數(shù)據(jù)范圍，m為最后得到的概念個(gè)數(shù)，O(w) + O(m* n)＜O(m* w)，顯然時(shí)間復(fù)雜度更低．最后，利用文獻(xiàn)［6］中的方法，對(duì)En的值進(jìn)行近一步調(diào)整，使得云曲線更好的與原曲線貼近，得到更為準(zhǔn)確的熵的值．

2　基于云變換算法的不確定性本體概念構(gòu)建方法

2．1 概念特征屬性選擇

特征屬性選擇是從屬性的角度研究概念的不確定性，具有對(duì)概念識(shí)別能力強(qiáng)而又不相互冗余的屬性稱為概念的特征屬性，這些特征屬性共同表示概念的內(nèi)涵．

針對(duì)農(nóng)業(yè)領(lǐng)域數(shù)據(jù)庫(kù)中，存在的大量數(shù)據(jù)，這些數(shù)據(jù)是概念的多個(gè)屬性的描述數(shù)據(jù)，存在著冗余和不相關(guān)，且數(shù)據(jù)之間往往存在較強(qiáng)的相關(guān)性．因此，首先運(yùn)用基于因子分析的逐步向前屬性選擇方法，得到少數(shù)幾個(gè)因子代表全部屬性數(shù)據(jù)，選擇與因子相關(guān)系數(shù)最大的屬性做為特征屬性，再結(jié)合專家知識(shí)對(duì)所選擇的屬性進(jìn)行權(quán)重調(diào)整，最終得到少數(shù)幾個(gè)特征屬性，即云概念的特征維度．

2．2 概念綜合維度特征值提取

綜合維度特征值提取方法是一種從多個(gè)屬性角度來(lái)表示不確定性本體概念的方法(如圖2)，從農(nóng)業(yè)領(lǐng)域數(shù)據(jù)庫(kù)開(kāi)始，經(jīng)過(guò)特征屬性的選擇，利用云變換算法提取多個(gè)維度的特征值來(lái)形式化概念，最終以綜合維度數(shù)字特征來(lái)表示本體概念．具體步驟如下:

第一步，根據(jù)3．1中屬性選擇算法得到概念的特征維度，從數(shù)據(jù)庫(kù)中任選一維度數(shù)據(jù)生成頻度分布圖g(x)1．

第二步，運(yùn)用改進(jìn)云變換算法得到一系列原子概念C1，C2，…，Ci．

第三步，在人機(jī)交互的基礎(chǔ)上，采用概念合并方法［10］，對(duì)原子概念進(jìn)行相應(yīng)的概念合并得到較粗粒度的概念，對(duì)得到的概念進(jìn)行命名．

第四步，得到此維度個(gè)不確定性概念及它們的維度特征值∑1W1(Ex1jEn1j，He1j) (j = 1，…，i)．

第五步，第一維度的概念對(duì)原來(lái)的數(shù)據(jù)樣本進(jìn)行了劃分，取第四步中得到的頂層概念中心點(diǎn)［Ex－En，Ex + En］范圍內(nèi)的點(diǎn)做為樣本，對(duì)其他維度進(jìn)行第一至四步驟，將各個(gè)維度得到的特征值進(jìn)行綜合，得到概念的綜合數(shù)字特征值:

第五步中，取頂層概念劃分的范圍內(nèi)［Ex－En，Ex + En］的點(diǎn)作為樣本，是根據(jù)云模型的特征，在概念中心點(diǎn)En范圍內(nèi)的點(diǎn)對(duì)概念的貢獻(xiàn)度更大，貢獻(xiàn)率為66．7%［11］，更具特征性，可以忽略此范圍外的樣本，這樣就一定程度上減少了其他維度的概念合并過(guò)程．

因此本文提出的方法能夠?qū)崿F(xiàn)概念多個(gè)維度(屬性)的表示，通過(guò)云變換算法提取相同粒度、不同維度的知識(shí)并進(jìn)行表示，有助于不確定性本體構(gòu)建的客觀性．

3　實(shí)例分析

3．1數(shù)據(jù)獲取與準(zhǔn)備

茶園小氣候本體中存在著大量的不確定性概念，提取這些概念的基于云模型的三個(gè)數(shù)字特征是“不確定性本體”生成的最關(guān)鍵的步驟．實(shí)驗(yàn)選取了樣本進(jìn)行分析和應(yīng)用，數(shù)據(jù)來(lái)源農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)集成與應(yīng)用重點(diǎn)實(shí)驗(yàn)室在黃山地區(qū)茶園所采集到的茶園氣象數(shù)據(jù)，設(shè)備每隔10－20分鐘采集一次，包括茶園的日照時(shí)數(shù)、蒸發(fā)量、空氣溫度、空氣濕度、大氣壓強(qiáng)、風(fēng)向、風(fēng)速、光合有效輻射、降雨量、土壤溫度、土壤濕度等13個(gè)氣候指標(biāo)，是當(dāng)?shù)夭鑸@氣候的實(shí)時(shí)感應(yīng)．顯然，這些氣候因子是在不斷變化的，具有很強(qiáng)的不確定性．

首先，將該地區(qū)該時(shí)間的氣候視為不確定性本體中的總類，即是最頂層的概念，各氣象因子為頂層概念的屬性，對(duì)頂層概念進(jìn)行解釋和表達(dá)．其次，本文選擇九月份的4092條數(shù)據(jù)進(jìn)行分析，欲建立該地區(qū)2013年9月份的茶園小氣候知識(shí)本體模型．最后，按照3．1中方法對(duì)13個(gè)指標(biāo)進(jìn)行特征屬性選擇，選出最能表達(dá)該不確定性本體模型的特征屬性，分別為降雨量，日照時(shí)數(shù)，空氣溫度，空氣濕度，土壤濕度，土壤溫度，蒸發(fā)量．再運(yùn)用3．2的方法對(duì)屬性進(jìn)行云變換，得到各個(gè)屬性底層概念的云模型表達(dá)，經(jīng)過(guò)概念合并，最終形成綜合的頂層屬性概念的云化表達(dá)．

對(duì)屬性數(shù)據(jù)進(jìn)行取整處理，找出其中的最大值和最小值，對(duì)此區(qū)間的每一個(gè)可能出現(xiàn)的值進(jìn)行頻度統(tǒng)計(jì)，生成頻度統(tǒng)計(jì)圖．另外，對(duì)某個(gè)時(shí)間段內(nèi)的統(tǒng)計(jì)屬性，如降雨量，測(cè)量的數(shù)據(jù)是一段時(shí)間內(nèi)的降雨程度，選取一天之中最后一個(gè)時(shí)間點(diǎn)的數(shù)據(jù)按照上述方法生成統(tǒng)計(jì)頻度圖．

3．2實(shí)驗(yàn)具體過(guò)程

以屬性“土壤濕度”和“土壤溫度”為例，說(shuō)明實(shí)驗(yàn)的具體過(guò)程，土壤濕度的統(tǒng)計(jì)頻度圖如下(圖3)．

在閾值1為0．05，閾值2為0．01的情況下，經(jīng)過(guò)云變換后，得到如表1所示土壤濕度屬性的五個(gè)概念和它們的數(shù)字特征值:

將數(shù)字特征值帶入正向云發(fā)生器，其原理文獻(xiàn)［12］已有詳細(xì)描述，這里就不再贅述，得到土壤濕度的各原子概念云圖，如下(圖4) :

表2　土壤濕度五個(gè)原子概念的數(shù)字特征值Table 2 Five atomic concepts of soil humidity

經(jīng)過(guò)相應(yīng)的概念合并，最終得到九月份土壤濕度的總體表示云(21．98，4．60，0．55)，如圖6所示．概念縱向的合并過(guò)程為層次的不斷躍升的過(guò)程，能夠形成此維度屬性的分類層次關(guān)系，如圖5，從下至上的概念粒度不斷變粗，概念層次從最低層躍升至最高層．

土壤濕度屬性的最頂層概念云圖如下圖(圖6)所示:

對(duì)“土壤溫度”屬性進(jìn)行數(shù)理統(tǒng)計(jì)同樣得到統(tǒng)計(jì)頻度圖運(yùn)用云變換算法，閾值為0．01和0．001時(shí)，得到最初的兩個(gè)概念:低土溫(22，2．15，0．22)，高土溫(25，2．17，0．22)，經(jīng)過(guò)一次概念合并，得到九月份土壤溫度的總體表示，九月土壤溫度(23．5，2．90，0．22)．

對(duì)其他維度屬性依此進(jìn)行如上操作，最終得到九月份茶園小氣候的綜合概念模型的云化表達(dá)，九月份黃山茶園小氣候:土壤濕度(21．96，4．60，0．5)，土壤溫度(23．5，2．90，0．22)，空氣溫度(26．50，6．0，1．0)，空氣濕度(73，2．79，0．50)，降雨量(0．60，5．55，0．55)，日照時(shí)數(shù)(8．66，4．57，0．81)，蒸發(fā)量(134．3，6．44，0．49)．7個(gè)特征屬性共同對(duì)茶園小氣候進(jìn)行表示如下圖7，且每個(gè)屬性由底層原子概念構(gòu)成一棵概念樹(shù)，進(jìn)行從底到高層次的概念表達(dá)．

3．3 結(jié)果分析

得到的屬性總體描述中，空氣溫度(26．50，6．0，1．0)，空氣濕度(73，2．79，0．50)，降雨量(0．60，5．55，0．55)，日照時(shí)數(shù)(8．66，4．57，0．81)，反映當(dāng)?shù)鼐旁路菘傮w空氣溫度不是很高，空氣濕度大，降雨較少，與多年總結(jié)的同時(shí)期實(shí)際山區(qū)茶園小氣候的日照少，云霧多，氣溫低，濕度大的特征相符．以表2所示，本文方法得到的各個(gè)特征屬性最頂層概念誤差率均較小，符合實(shí)際情況．

由于云模型本身的優(yōu)越性，能夠較好的表示概念中所具有的不確定性．如圖6，九月份土壤濕度的期望值為21．96表示土壤濕度的總體水平，與實(shí)際統(tǒng)計(jì)數(shù)據(jù)的平均值23．51相近，熵En4．60表示土壤濕度的變動(dòng)范圍，云圖的跨度表示大部分時(shí)間點(diǎn)的相對(duì)濕度在5%－35%之間，超熵He將此概念的隨機(jī)性和模糊性相關(guān)聯(lián)表達(dá)．在構(gòu)建本體時(shí)可用概念的數(shù)字特征值和云圖代替原來(lái)的概念，更具直觀性．

表3　概念誤差率Table 3 Error rate of concepts

4　結(jié)束語(yǔ)

本文首先提出一種基于云變換的不確定性概念的維度數(shù)字特征提取方法，該方法通過(guò)屬性選擇算法對(duì)概念的特征維度進(jìn)行提取，再對(duì)單個(gè)維度運(yùn)用云變換方法生成概念，進(jìn)行一定程度的概念的合并生成較粗粒度的概念，在粗粒度概念對(duì)樣本的劃分基礎(chǔ)上對(duì)下一維度屬性數(shù)據(jù)進(jìn)行梳理統(tǒng)計(jì)進(jìn)行相應(yīng)云變換得到此維度數(shù)字特征，以此類推，最終得到概念的綜合維度數(shù)字特征，為下一步不確定性本體知識(shí)的形式化表達(dá)奠定基礎(chǔ)，其次對(duì)文獻(xiàn)［6］中提到的云變換曲線擬合方法進(jìn)行了改進(jìn)，并進(jìn)行了實(shí)例應(yīng)用，證明該方法的有效性，為云變換算法在本體建模中的應(yīng)用提供了參考．

下一步將根據(jù)提取的概念和概念的層次關(guān)系及能夠表示概念的維度數(shù)字特征，對(duì)OWL語(yǔ)言進(jìn)行擴(kuò)展，能夠?qū)⒉淮_定性本體知識(shí)進(jìn)行表示，最終生成統(tǒng)一規(guī)范的不確定性本體形式．

參考文獻(xiàn):

［1］ STUDER R，BENJAMINS V R，F(xiàn)ENSEL D．Knowledge Engineering: principles and methods［J］．Data and Knowledge Engineering．1998，25 (1/2) :161－197．

［2］ MAEDCHE A，STAAB S．Ontology learning for the semantic web［J］．IEEE Intelligent Systems，Special Issue on the Semantic Web，2001，16 (2) :72－79．

［3］ LI Deyi，LIU Changyu，LIU Luying．Study on the universality of the normal cloud model．Engineering Sciences［J］．2005，3(2) :18－24．

［4］ 杜湘瑜，尹全軍，黃柯棣，等．基于云模型的定性定量轉(zhuǎn)換方法及其應(yīng)用［J］．系統(tǒng)工程與電子技術(shù)，2009，30(4) :772－776．

［5］ 呂輝軍，王曄，李德毅，等．逆向云在定性評(píng)價(jià)中的應(yīng)用［J］．計(jì)算機(jī)學(xué)報(bào)，2003，26(8) :1009－1014．

［6］ 秦昆，王佩．基于云變換的曲線擬合新方法［J］．計(jì)算機(jī)工程與應(yīng)用，2008，44(23) :56－74．

［7］ 許昌林，王國(guó)胤．實(shí)現(xiàn)穩(wěn)定雙向認(rèn)知映射的逆向云變換算法［J］．模式識(shí)別與人工智能，2013，26(007) :634－642．

［8］ 蔣嶸，李德毅，范建華．?dāng)?shù)值型數(shù)據(jù)的泛概念樹(shù)的自動(dòng)生成方法［J］．計(jì)算機(jī)學(xué)報(bào)，2000，23(5) :470－476．

［9］李德毅，杜餻．不確定性人工智能［M］．北京:國(guó)防工業(yè)出版社，2005:218－221．

［10］ 陳昊，李兵．基于逆向云和概念提升的定性評(píng)價(jià)方法［J］．武漢大學(xué)學(xué)報(bào):理學(xué)版，2011(6) :683－688．

［11］ 劉常昱，李德毅，潘莉莉．基于云模型的不確定性知識(shí)表示［J］．計(jì)算機(jī)工程與應(yīng)用，2004，40(2) :32－35．

［12］ 李慶，董慶寬，趙蕾．云模型中正向云算法的修正［J］．西安電子科技大學(xué)學(xué)報(bào)，2013，40(5) :169－174．

A Method of Constructing Agricultural Ontology Concept Based on Cloud Transform

ZHAO Hui-yuan，LI Shao-wen，LIU Chao，ZHANG Li
(Anhui Provincial Key Laboratory of Agricultural Informatics，School of Information＆Computer Science，Anhui Agricultural University，Hefei 230036，China．)

Abstract:Owing to much uncertain knowledge in agricultural domain that ontology can not express，this paper put forward a method of extracting uncertain ontology concepts based on cloud transform algorithm．By concept characteristic attribute selecting，concept integrated digital features extracting，concepts merging，it can get the formalized expression of concepts and demonstrate the effectiveness of this approach through the instance．In addition，the traditional entropy estimation method is improved，which proves that it has a certain advantages on the time complexity．The results show the digital features of concept extracted by this method are effective．They can represent the randomness and fuzziness of concept and are helpful to construct the agricultural domain ontology objectively．

Key words:ontology; uncertain knowledge; cloud model; cloud transform; integrated digital features; formalization

作者簡(jiǎn)介:趙會(huì)園(1990－)，女，安徽合肥人，碩士生;通訊作者:李紹穩(wěn)(1962－)，男，博士，教授，主要研究方向?yàn)槿斯ぶ悄埽?/p>

基金項(xiàng)目:國(guó)家自然科學(xué)基金項(xiàng)目(31271615) ;安徽省高等學(xué)校自然科學(xué)研究項(xiàng)目(KJ2013Z077) ;安徽省高校省級(jí)優(yōu)秀青年人才基金(2013SQRL014ZD)．

收稿日期:2014－08－25

DOI:10．14182/J．cnki．1001－2443．2015．02．004

文章編號(hào):1001－2443(2015) 02－0123－06

文獻(xiàn)標(biāo)志碼:A

中圖分類號(hào):TP181