CC—高阶通信系统的并发演算

并发演算CC(Concurrent Calculus)是高阶并发通信系统的数学模型,它把λ-演算作为子理论并包含一阶通信系统演算CCS、活动进程演算CMP、和高阶通信系统演算CHOCS的主要特征。在CC中,通信端口可为任意表达式并且进程和通信端口都可以作为在通信中传递的一等对象(First-class Objects)。从而CC不仅可以描述一阶通信行为而且可以刻划通信网络的动态自修改行为。另外,由于CC把λ-演算和进程演算纳入同一形式系统,故CC可以作为并发函数式程序设计的核心语言和理论模型。本文首先给出CC的语法、语义和例子,然后研究CC的高阶双向模拟等价关系以及CC的代数定律。最后简单讨论了相关的工作和今后的研究方向。     

外来语与汉语引进外来语的方式探讨

外来语的发展趋势呈现出新词趋同化、信息集约化和词汇新潮化的特点。外来语大量流入汉语是一种潮流,引进外来语的方式各有优势,字母词的出现被认为是音译外来语的突破。在积极探索外来语引进的同时,应注意汉语发展的规范化。     

一个说明语言的设计和其子集编译器的开发

基于软件文档可执行的想法，设计了一个适用于指称语义描述的可执行规范说明语言——ＪＺＣ，并对其核心子集编译器进行了设计与开发。该语言设计采用了模式匹配、类型并置和构造函数等概念，使得抽象文法易于在程度中体现。模块概念的引入使得函数型语言书写的程序更加易懂和易于编写。作为对严格开发方法的一个尝试，ＪＺＣ核心子集编译器的开发采用了该种方法，其中一个“结果正确性定理”的证明是开发过程的重点工作。本文通过一个示例语言简介ＪＺＣ的语言特点，给出了编译器开发过程的一个描述框架和证明梗概     

一种基于语义的Ontology映射方法

O n to logy映射是实现异构O n to logy互操作的有效方法,目前的O n to logy映射主要采用句法方法,而很少采用语义方法。本文提出了一种基于语义的O n to logy映射方法,该方法考虑了O n to logy中的概念属性,采用概念名称相似性、概念属性集合相似性、相关概念集合相似性等确定O n to logy之间的语义映射关系;采用语义半径提高了语义映射方法的灵活性。试验分析表明:该方法得到的映射的准确率和查全率在90%以上,准确率和查全率均优于S-M atch方法。该方法已在基于知识需求的主动式知识系统原型中实现,并在某研究所得到了应用。     

基于总线式集成框架的本体构建及映射研究

通过本体的构建及相应的本体映射策略,可以很好地解决信息集成过程中出现的语义异构问题。是实现异构数据源语义解析的基础。在已有研究成果总线式信息集成框架的基础上,针对目前本体构建过程存在的不足,提出了基于共享词汇表的全局本体构建技术和基于UML的局部本体构建技术,使所构建的本体元素间关系更加准确完备,具有良好的一致性。提出了基于综合相似度的本体映射策略,大大提高了本体映射的精度。     

BL分析下的管制员差错本体建模研究

为分析识别空中交通管制任务中管制差错问题,结合BL(body loop,BL)压力产生模型研究管制员压力来源.提出领域本体的建模流程,确立推理模型的内部逻辑关系,构建管制差错领域本体模型.采用FaCT++推理机针对实际案例进行语义推理,从而识别管制差错类型,提出了基于本体的管制差错专家系统的系统框架.结果验证了构建推理模型的有效性和合理性.     

面向旅游领域的语义查询扩展

针对目前查询扩展的不足,以旅游领域为背景,提出利用本体推理以及本体中的实体相关度综合考虑来获得查询扩展词,并对扩展词进行权重调整,提高了检索结果的准确率和召回率。     

新结构主义观点下的词义网络关系

根据词汇的搭配、聚合及其他多种关系,重点讨论了词义的各种特征以及这些语义词汇构成的网络关系.在词义网络关系的基础上,强调词汇间更加深层的语义关系,尤其是纵向分类关系,进而提出把词汇的记忆从直线型（搭配关系）变成从空间几个角度来确定一个词汇的意思.     

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题，提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵，然后将所有像素的交叉熵按从大到小进行排序，随后确定一个K值作为阈值，筛选出前K个交叉熵最大的像素，最后对于筛选出的K个像素交叉熵取平均，做为损失值。在ISPRS 提供的 Vaihingen 数据集上，使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明，不同的K值，使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳，MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数     

基于语义相似度计算的航天标准关联度评价

随着航天领域各级各类标准编制数量的逐年递增，相关标准之间的交叉重复制定问题随之而来。为解决该问题，文中通过计算语义相似度的方法开展航天领域标准名称、标准范围及主要内容的关联度评价。算例分析结果表明，该方法可以有效评估标准间的关联程度。