基于复杂理论的语义知识框架下科研人员协同智能环境感知与任务控制

抽象的

在传统的科研生产活动中，由于科研人员之间缺乏充分的沟通和沟通，科研资源浪费的现象时有发生，阻碍了科研产出的效率。基于语义知识框架的设计原则，提出了科研人员协作系统的本体和语义关系的定义。本文通过分散式语义信息交换体系，建立了研究者之间的协同语义知识框架。本文通过实验验证了仿真结果，并与其他交换体系结构进行了比较。实验结果表明，本文提出的基于语义知识的语义信息交换体系结构在数据量上比传统的集中式方法快10.39%;数据节点视角下的施工速度比传统集中式施工方式提高了12.84%;主题查询速度比传统的集中查询方法提高了36.84%;谓词查询速度比传统的集中方法提高了31.58%。实验结果表明，基于语义知识框架的语义信息交换体系结构是可行的，在构建速度和查询速度方面都有较好的性能。在研究人员越来越依赖协同技术与其他成员进行交互的背景下，本文具有一定的参考价值和探索价值，提出了语义知识框架下的群体协作系统的新思路。

1.介绍

随着信息时代的出现，特别是网络技术的发展和计算机支持的协作技术，现代科学和技术的学术环境发生了变化。学科之间的跨学科和互及是现代科学的显着特征，也是科学研究的主要方向。由于科研任务的复杂性和专业化，研究人员更困难地完成依赖个人知识储备的科学研究任务[1］.科学研究领域的任务应该以团队合作为基础。协同研究作为一种高效的科研组织形式，将成为提高科研效率、降低科研成本、加强学术交流、促进学术创新的有效途径。同时，它也阻碍了用户信息的快速发展。研究人员作为一种特殊的用户，其信息行为不同于其他信息用户。科研人员的本质不是获取大量的信息，而是获取能够解决问题的信息。在传统的科研生产活动中，由于科研人员之间缺乏充分的沟通和沟通，不时会出现科研资源浪费的现象，阻碍了科研产出的效率。在孤立的科研环境下，协同科研合作成为必要[2］.

Allen等人。的研究表明，协作研究已成为许多科学领域的知识产品支柱，并被推广为提高科研，资源利用和影响力的质量的方法。但他没有做更多的深入研究，导致结论并不全面[3.］.在合作研究，博茨福德等人的积极性的条款。分析了实验研究和理论研究，并得出结论认为，专业分工差异的主要因素是促进合作研究的区别。在研究项目的过程中，很容易自行获取知识，比掌握新知识新的合作伙伴的经验。从合作伙伴获得的知识资源可以提高科研效率和输出。由于缺乏比较的研究项目对象选择，得出的结论不能作为参考依据[4.]. 同时，学者们也注意到情景因素对合作研发的影响。Berbegal对协作研究与合作的影响表明，区域、文化、经济和政治因素是影响协作研究的主要因素，而协作程度随着研究伙伴之间空间和地理位置的增加而降低。但是，他没有列出详细的数据，导致他的研究结论不严谨[5.］.此外，运输和通信技术也是影响协作研究的因素之一。方便的交通状况和方便的通讯技术消除了该地区带来的协作障碍，也大大降低了科研成务的成本，为科研研究的协作合作和学术交流提供了有利条件。

这项研究突破了纯粹的理论行为讨论，基于理论分析，补充了实际应用的调查和分析，结合了理论和实践，侧重于用户在协作研究环境中的协同信息行为，并采取协同研究环境作为背景，基于语义知识框架，环境感知系统的语言，协作体系结构和研究人员的知识框架。最后，通过模拟实验验证了语义知识框架的可行性。

2.集团协作架构，智能环境意识和语义知识框架的理论基础

2.1。智能环境意识

2.1.1。卷积神经网络

CNN是深度算法的重要模型。它是用于处理信息的非线性和自适应数学模型，它包括大量独立的计算节点。它适用于处理具有网格结构的数据（例如由二维像素网格组成的图像）​​。CNN结构类似于ANN，主要分为三个部分：输入层接收模型外的信号和数据，并将原始图像信息作为CNN中的输入接收;隐藏层对输入数据执行非线性映射，以形成不同级别的数据的特征;并且输出层输出离散或连续数据处理结果[6.那7.］.基于ANN，CNN引入了稀疏连接，重量共享和下采样技术，实现了视觉信息的分层处理。

如图所示1，CNN模型具有各种结构，包括卷积层，下采样层和激活层。卷积层，池和激活层是三个基本结构，用于形成功能模块，实现特征编码和非线性映射。多种功能模块形成深层模型，以实现特征的抽象表达。最后，通过全连接层和丢失层输出类标签和概率[8.那9.］.

（1）卷积和激活．卷积操作可以被视为二维图像的加权和的线性操作过程。此时，使用的权重矩阵称为卷积内核。与神经内神经元的密集连接不同，CNN的卷积核与二维图像中的某个区域相关联，加权总和的值被激活为新特征图的相应像素值[10.］.CNN中的卷积操作如下： 在哪里F是图层指数;X是特征图，是一个二维矩阵；一世和j分别表示输入和输出功能映射索引。具体来说，是个j-该层的输出特性图；是通过内核的上层输出特性图的卷积操作 ; 是所有输入特征图的遍历运算；是卷积运作;是偏移方向；和F是激活功能。

激活层的主要功能是实现CNN的非线性变换。激活功能具有许多变化，例如SIGMOID函数，TANH函数和Relu功能。目前，常用函数常用函数，其具有稳定的误差传播，不同输入尺寸和避免梯度爆炸或分散。此外，激活函数对负输入响应零响应，可以实现网络的稀疏连接[11.］.

(2)池. 池层也称为低采样层，常见的有最大池、平均池和最小池。池层可以降低特征地图的空间分辨率，从而减小网络规模，加快网络训练，减少过拟合，使特征对不同输入具有很强的平移和缩放不变性[12.］.汇集操作的一般表达式如下：

是特征曲线图的分区计算操作，如将所述特征曲线图进N×N网格并计算每个零件的总和，最大值和最小值。是网格元素的权重参数；最大池取1；1/S.取为平均池S.=×H， 在哪里和H池内核尺寸分别为池中;和F是激活功能。

2.1.2。MobileNet

MobileNet是一种专为嵌入式硬件平台设计的轻量级CNN型号。通过引入深度可分离的卷积层，标准卷积被分解成深度卷积的组合，该深度卷积的组合只能从单个通道和点卷积中提取功能，从而大大减少了参数的量和实现模型加速度[13.］.输入通道的数量为 那输入特征图的大小是和 ．相应的输出通道号和特征层尺寸是 那和和 那分别。如果卷积内核的大小是 那标准卷积乘法运算的数目由下式给出

深度卷积是块数等于块卷积中信道数的一种特殊情况:

深度卷积在不同的频道中是独立的，因此有问题的问题不会在频道之间流动。在MobileNet中，不同的频道信息以频道之间的点卷积的形式组合：

当标准卷积被可分离卷积取代时，模型的压缩比为

通常，CNN结构的卷积核大小为3×3，输出特征层的数量通常很大。根据公式（6.）当通过可分离卷积取代标准卷积操作时，模型参数和乘法操作的压缩比为1/8 ~1 / 9。

MobileNet网格结构的设计与VGGNet非常相似。特征图的空间分辨率单调减少，并且通道的数量单调增加。当分辨率减少一半时，特征层的数量加倍。差异如下：（1）在VGGNet中，MobileNet用深度可分离卷积代替了标准卷积（2）MobileNet未设置池层，但通过2的卷积步长，减少了特征映射的空间分辨率（3）MobileNet替换VGGNet 4096×4096和4096×1000的两个完整链接层，7×7平均池层，实现了模型的进一步压缩[14.]

２.２.语义知识框架的原理设计

2.2.1。语义知识框架

语义知识框架可以被视为哲学的分析方法。该分析方法具有一个基本元件和两个芯。其基本要素是概念。第一芯是概念之间的关系。第二个核心是实现通过概念之间的关系的推理功能。第二，语义知识框架可以是计算机知识的存储和表示和概念的形式。最后，语义知识框架也可以用于知识处理，如识别，推理，查询，知识一致性维护，情景演算，并计划以实现知识融合，知识提取，知识发现，自然语言生成，和其他职能 [15.那16.］.

语义知识框架可用于描述任何复杂的关系，但是这种描述基于一系列基本语义关系。基本语义关系是复杂语义知识框架的基本要素。基本的语义关系是各种各样的。如图所示2，这里有一些常用的关系。

（1） 语义关系．语义关系通常介绍事物之间的通用关系，包括IS-A，A型和实例。

是a意味着一件事是另一件事。它可以表示为“......这是一个例子”。例如，如果地质研究员被视为阶级和地质勘探技术人员是班级的成员，那么地质勘探技术人员就是地质研究员的一个例子。

一种意味着一回事是一种类型的“这是一种......”。ako表示比IS-A更大的范围。它通常不代表特定个人之间的关系，但代表类之间的关系。AKO通常用于建立子类和超类之间的关系。例如，地质研究人员是一个子类，科学研究人员是父母课程，地质研究人员与研究人员之间的语义关系可以由AKO代表。

关系的实例与is-A关系相反，这意味着某事物的一个实例是另一个实例。

(2)属性关系．属性关系通常是指事物与其属性之间的关系。任何类中的任何对象都具有一个或多个属性，每个属性对应于值。因此，将存在相应的属性和值组合。常用的属性关系是句子的谓词或动词。例如，有，可以和是。

意味着事情有一定的属性关系，表示为“拥有”。

可以意味着某些属性之间的关系，可以表达为“可以”或“意志”。

没有特定的表示，可以被理解为各种关系。如果某些东西与其他内容或属性有多种关系，则可以通过它连接。

（3） 其他关系．现实世界中的关系非常复杂。除了上述语义关系和属性关系之外，事物与物质之间存在多种关系。其他主要关系是包含关系，时间关系，位置关系和相似关系[17.］.

纳入关系代表整个部分和部分之间的关​​系。包含关系和属性关系之间的差异是可以继承包含关系，并且它的一部分属于整体，但它具有整体的所有属性。包含关系可以被描述为部分或组成。

时间关系表示及时事件序列。例如，之前意味着在发生特定事件之前必须发生事件;at意味着事件与另一个事件同时发生;之后意味着只能在发生特定事件后发生事件。

位置关系代表太空中的事情的关系。如果一件事的位置在另一件事前面，它可以由位置前面表示;如果某些东西落后于另一个，它可以通过位置表达。

2.2.2。知识图形

知识地图实际上是一个语义网络，它可以根据变化（关系）将不同的语义实体连接起来，形成推理语义知识网络。表示形式为图形结构。事实上，知识地图的构建过程包括：将语义知识表单和数据清理表单集成到异构数据源中，通过关系抽取建立关系模型，最后建立有向图结构数据库，它可以反映实体之间的语义关系[18.］.知识地图的查询是基于可视化查询的。通过输入信息获得的知识并不是通过字符串匹配获得的大量网页，而是用户真正需要的结构化知识。

2.3。群体智能算法

2.3.1。杜鹃搜索算法

（1）Lévy飞行．Lévy分布是一种连续概率分布。这些信件δ那α那µ， 和β分别代表比例，特征索引，位移和偏斜参数：

Lévy分布的概率密度函数与α特征指数和β偏态参数。什么时候α和β采取不同的值，它们可以由不同的分配功能（如高斯分布，Cauchy分布和levy分配）表示。

什么时候α=2那the following Gaussian distribution function is used:

什么时候α=1和β=0, it is expressed by the Cauchy distribution function:

什么时候α=1/2和β=1那一世t is expressed by the Lévy distribution function:

Lévy飞行跳跃长度的等待时间obeys权力法分配功能：

在Lévy飞行中有两个主要的元素，即移动方向和跳跃步长S.．在Mantegana的法律中，步长的定义S.如下： 在哪里μ和ν服从标准正态分布,，β=1.5.。

2.3.2。聚类算法

在K-means算法中，采用误差平方和作为划分准则:

K-mediods聚类算法使用的实际数据点作为聚类中心并采取了绝对误差为师：

2.3.3。快速搜索密度峰值算法

对于每个数据点一世，DPC算法需要计算其本地密度ρ_一世及其距离δ_一世. 当数据点集较大时，局部密度ρ_一世数据点一世的计算公式如下: 在哪里X（X)是由

当数据点集较小时，通过指数核计算数据点的局部密度:

计算数据点距离的公式一世如下：

为局部密度最大的数据点一世中，距离计算公式如下：

3.仿真实验设计

3．1.小组合作架构

（1）导论:群架构的设计涉及到系统中各单元的层次和功能划分，是各单元结构设计的基础[19.］.该单元的结构决定的任务的分配，信息流的内容，和任务执行的特定阶段。组架构的设计应遵循以下原则：（一种）清晰的层次结构：分层关系包括两个部分：组级别和内部操作的水平。一个明显的层级关系，使规划和各单元集成到系统中独立;内部功能单元的分层结构，有利于系统的标准化设计，便于调整和扩展系统[20.那21.］.（b）合理的功能分区：必须做出合理的规划为不同层次的系统的功能，从而避免一些功能过于复杂等相对单一。否则，不仅会影响系统的整体性能又降低了执行效率，由于大量的数据处理，导致一些系统设备的瘫痪。（C）高效的信息传递:在系统结构的设计中，要充分考虑单元与运行模块之间信息传递的内容和形式。在单元中，信息的标准化和汇总流程的设计对于提高系统的执行效率和降低系统成本具有重要意义。（2）如图所示3.，组织形式的组合协作可以分为集中，分散和分发。

3.1.1. 集中控制结构系统

该系统由主控制单元控制，这是用于规划和决策的自上而下的分层控制结构。主控制单元的数量和复杂性确定响应系统的时间和决策行为的质量[22.］.主要控制部门负责动态分配任务和资源潜在规划，并协调各种职位之间的竞争与合作。该系统易于管理，控制和程序。

3.1.2。分散控制结构系统

系统中的每个个人都有一个平等的关系，具有高度的智能自主权，独立处理信息，设计和决策，执行自己的任务，并与其他单位通信以协调他们没有中央控制单元的行为[23.］.该结构具有良好的灵活性，可扩展性和可靠性，但通信要求高，多边协商的效率低。因此，很难或无法保证实现全球目标。

3.1.3。分布式控制结构系统

这种结构是分散的水平相互作用和集中垂直控制相结合的产物。它是由一组独立的，完全相等，没有逻辑主从关系和自律的。根据预定义的协议，根据系统的目标，状态和自身的状态，能力，资源和知识，每个单元使用的通信网络进行磋商，并相互以确定各自的任务谈判，协调自己的活动，实现资源，知识，信息和功能共享，并完成常见任务的合作，以实现总体目标。在这种系统中，每个单元是相互独立的结构和功能，它们都通过相同的方式在网络相互通信，具有良好的封装，因此该系统具有良好的容错性，开放性和可扩展性[24.那25.］.

3.2. 实验数据集

在本文中，我们在Win10环境中构建了6个节点的分散系统。该协议包括超文本传输​​协议和对等体。ArchiveHub数据集用于实验中使用。数据集的大小为72米，物质的数量为107219，受试者的数量为51385，唯一的谓词数量为143，唯一物体的数量为104389，并且三元组的数量为432142.在此文章，数据收集将被刻为六个部分，名为X1〜X6，为每个数据收集构造相应的知识映射，并将其保存在六个节点中。

桌子1显示六个数据集的基本信息。在随后的比较实验中，施工时间和查询时间的趋势与独特实体数量的趋势有关。它可以在构建全局知识映射的物理连接过程中更直接反映串联环，并且在XL-X6中复制所选节点信息的副本。

3.3。验证测试

构建模块验证实验：几个实体模块被随机选择施工。在此过程中，我们可以通过在实体模块之间查看连接周期来探索和验证语义信息交换系统的施工效果。使用物理资源Self3810作为示例，Self3810在数据集X1（端口号为8001）的节点的连接信息表中的数据集x2（端口号8002）点位，位于数据集x2的节点的连接信息表中（端口号8002）指向数据集x3（端口号8003）。DataSet x3（带端口号80031的连接信息表）指向数据集x1（端口号8001）。从上面的结果，实体资源self3810在系统的三个节点中形成链接周期，链接周期趋势如下：下一个最大节点是当前节点指向的下一个节点。

4.不同方法的测试结果比较

本文主要从两个方面进行实验：语义知识框架的施工速度和查询速度。

4.1。建设率的比较（数据货量来看）

与数据尺寸和节点数尺寸的两个维度相比，将建筑速率的对比实验设计与集中式施工系统进行比较。

如图所示4.和表格2，从数据量的角度，比较了其他方法与本文提出的语义知识框架体系的构建速度。以三个节点为组，数据量逐渐增加，观察集中式系统和分散式系统各自的性能。从图中可以得出结论（1）随着数据量的增加，集中式和分散式知识地图的构建时间都将呈现缓慢上升的趋势。知识地图构建过程中一个非常重要的部分是数据传输和连接，而构建时间主要是在数据传输连接部分增加的。因此，由于数据量的增长，集中系统和分散系统的建设时间都将相应增加。（2）根据图1当数据集规模较小时，所提出的语义知识框架系统的构建速度低于传统的构建方法。但是，随着数据集的增加，语义知识框架系统的优势逐渐显现。原因是传统方法构建的系统需要传输所有的数据集，但为了保护每个节点的信息，系统只传输唯一的实体集。本文提出的系统早期构建速度比传统方法慢的原因是空节点需要将生成的信息发送回每个节点，这需要花费大量的时间。

4.2。施工率比较（数据节点透视图）

如表所示3.和图5.比较了传统方法与本文提出的语义知识框架系统的构建率。随着节点数量的增加，集中式系统和分散式系统的性能得到了观察。从图中可以得出如下结论：（1）从整体趋势来看，随着节点数目的增加，集中式和分散式语义知识框架的施工时间将呈现上升趋势。由于语义知识框架的构建需要的节点和数据传输之间的连接，在节点数量增加，集中式和分散式系统的施工时间将相应增加。（2）如图所示5.，可以看出，在节点数较少的情况下，本文的语义信息交换体系结构的构建率低于传统的语义信息交换体系结构。然而，随着节点数量的增加，本文提出的去中心化语义信息交换体系结构的构建速度逐渐高于传统语义信息交换体系结构的构建速度。原因是传统的信息传输方法只需要保护部分数据集。本文提出的系统构建速度慢的原因是空节点需要将生成的连接信息返回给每个节点，这占用了部分时间。

4.3。对象谓词词汇数查询数的比较

如表所示4.和图6.，示出了两种类型系统的查询时间。

如表所示5.和图7.，示出了在不同谓词下的两个系统的查询时间。它可以从数字结束4.那（1）随着越来越多的主题谓词词，查询时间也将增加。这是因为查询模式中的查询级别的数量由对象谓词词的数量决定。如果主题谓词词的数量增加，则查询连接级别的数量将增加。（2）就相同的主题或谓词字编号而言，分散查询模式的查询速度比集中式查询模式的查询速度更快。这是因为在分散的查询模式中，查询并行，并且表之间的连接基于每个节点数据集的连接信息部分;在集中式系统中，查询期间的表加入是整个大型数据集的自行连接。（3）就整体趋势而言，分散查询模式中查询时间的增加逐渐减少，而中央查询模式下则不变。这表明，随着对象谓词词的增加，分散的查询模式的优点将变得越来越明显。这是因为每个表的共同查询查询语义知识框架，因此增加了增加，并且分布式查询的每个连接都基于每个节点数据集的连接信息部分。总之，基于组协作智能环境和任务控制的语义知识框架的分散语义信息交换查询模式的性能优于传统的集中查询模式。

5。结论

本文的主要研究内容是基于语义知识框架的协同智能环境感知与任务控制。本文对环境意识系统、群体协作和语义知识框架的概念进行了详细的介绍和分析。本文通过建立临时的时空节点与网络中其他节点相同的水平,可以实现之间的互连和互操作节点,和自决机制可以实现知识节点之间连接的基础上维护自己的知识。基于联通的交互机制，我们设计并实现了语义知识框架的去中心化迭代增量构建方案和相应的查询模式。在不获取知识的前提下，实现节点之间的连接构建和查询。

实验表明，本文构建的语义信息交换系统结构是可行和有效的。全局语义知识框架与集中式语义知识框架的完整性是相同的，本文构建的全局语义知识框架在构建速度和查询率方面都优于中学系统。

目前，由于时间，专业和技术水平的限制，缺乏关于语义知识框架的研究研究，例如，本文仍然存在许多缺陷，例如，缺乏规则层，只能实现数据的共享而不是规则;需要进一步提高算法来提高查询效率;并且不讨论协作研究环境中的协作信息的特定因素和影响系数。以上缺点将是该项目的下一步。

数据可用性

没有数据用于支持这项研究。

利益冲突

作者声明他们没有利益冲突。

参考

1. M. Petera，G. Le Corguille和M. Landi，“Workflow4metabolomics：计算代谢组织的协同研究基础设施”生物信息学，卷。31，不。9，pp。1493-1495,2015。视图:谷歌学术
2. J. VOM Brooke和S. Lippe，“管理协作研究项目：项目管理文献的合成和未来研究的指令，”国际项目管理杂志，卷。33，不。5，pp。1022-1039,2015。视图:谷歌学术
3. J. Allen, G. V. Mohatt, S. Beehler等人，“人们的觉醒:在社区干预中发展预防文化策略的合作研究”，美国社区心理学杂志，卷。54，没有。1-2，pp。100-111,2016。视图:谷歌学术
4. J. Botsford，A. Ryman，J. Slonim等，“1992年1992年会议的高级研究中心会议上的”协作研究 - 第1卷“，”伊朗医学教育杂志，卷。1，不。10，第851-859，2015。视图:谷歌学术
5. J. Berbegal-Mirabent和C. Llopis-Albert，“模糊逻辑在确定合作研究合同中的驱动力中的应用”，商业研究杂志，第69卷，第2期4, pp. 1446-1451, 2016。视图:出版商网站|谷歌学术
6. D. Mishkin，N. Sergievskiy和J. Matas，“对卷积神经网络的系统评估，Imagenet的进步”，计算机视觉和图像理解，卷。161，第11-19，2017年。视图:出版商网站|谷歌学术
7. A.阿洛泰比和A。Mahmood，“基于卷积神经网络非线性扩散的深度人脸活性检测，”信号，图像和视频处理，第11卷，第4期，第713-720页，2017年。视图:出版商网站|谷歌学术
8. P. Ghamisi，Y. Chen和X. X.朱，“一个自我改善卷积神经网络，用于对高光谱数据进行分类”IEEE地球科学和遥感信件，卷。13，不。10，pp。1537-1541,2017。视图:谷歌学术
9. Z刘，X。余，Y。高，S。陈，X。Ji和D。Wang，“使用卷积神经网络的HEVC硬连线帧内编码器的CU分区模式决策，”图像处理的IEEE交易，卷。25，不。11，pp。5088-5103,2016。视图:出版商网站|谷歌学术
10. L高，P-Y。陈和S。Yu，“电阻交叉点阵列上卷积核运算的演示，”IEEE电子设备字母，卷。37，不。7，pp。870-873,2016。视图:出版商网站|谷歌学术
11. S. Ur Rehman，S. Tu，Y. Huang等人，“CSFL：一种新的无监督卷积神经网络方法，可视化图案化”ai通信，第30卷，第5期，第1-14页，2017年。视图:出版商网站|谷歌学术
12. J.甘，K.江，谭H.和G他，“根据与特征提取点燃深卷积神经网络加强了对面部美容预测，”中国电子学杂志，卷。29，不。2，pp。312-321,2020。视图:出版商网站|谷歌学术
13. A. S.阿龙，J. L. Dioses小，R.迪亚曼特，R. M. Dellosa和F. J. P. Montalbo，“MobileNet SSDv2推断烟雾危害检测与预警系统的方法：烟雾引起的模拟家用环境，”国际计算机科学与工程先进趋势杂志，卷。9，pp。197-202,2020。视图:出版商网站|谷歌学术
14. S.Purwar，R.P.Tripathi，R.Ranjan等，“使用不同分类器从卷积神经网络中提取的CBC和血膜特征”检测微细胞缺血性，“多媒体工具和应用程序，卷。79，没有。7-8，pp.573-4595,2020。视图:出版商网站|谷歌学术
15. N. Mishra, H. T. Chang，和C. C. Lin，“BI-services语义知识分析的物联网知识再工程框架”，工程中的数学问题，卷。2015年，2015年12页第12页。视图:出版商网站|谷歌学术
16. JA.纳西尔，I。瓦拉米斯和S。Ishfaq，“用于查询扩展的基于知识的语义框架，”信息处理与管理，卷。56，没有。5，pp。1605-1617,2019。视图:出版商网站|谷歌学术
17. J.-R。Ruiz-Sarmiento, C. Galindo和J. Gonzalez-Jimenez，“利用语义知识进行机器人物体识别”，基于知识的系统，卷。86，pp。131-142,2015。视图:出版商网站|谷歌学术
18. H. Paulheim和P. Cimiano，“知识图形改进：方法和评估方法调查”语义网络，卷。8，不。3，pp。489-508,2017。视图:谷歌学术
19. A. Nitin，H. Ehtesham，L. Huan等，“研究小组合作的子空间聚类框架”，国际信息技术与网络工程杂志，卷。1，不。1，pp。35-58,2017。视图:谷歌学术
20. A. S. Messersmith，“为21世纪的学生准备21世纪的团队合作：在线集团沟通课程中有效合作，”交际教师，卷。29，不。4，pp。219-226,2015。视图:出版商网站|谷歌学术
21. X. Wang，C.Schneider和J.S.Valacich，“加强集团协作的创造力：性能目标和反馈形式的看法和想法生成表现”计算机与人类行为，第42卷，第187-195页，2015。视图:出版商网站|谷歌学术
22. G. A. Jacquet，J.I.Schneider，J.Hudspeth等，“批准和监督GME全球卫生选择在一个大型学术机构的集中组织和过程”，“研究生教育学报，第9卷，第4期，第547-548页，2017年。视图:出版商网站|谷歌学术
23. H辛，R。赵，L。张，Z。王，K。P王和W。Wei，“孤岛微电网中F-P型DGs的分散递阶控制结构和自优化控制策略，”智能电网上的IEEE事务，卷。7，不。1，pp。3-5,2016。视图:出版商网站|谷歌学术
24. M. R. B.Khan，R. Jidin和J.Pasupuleti，“基于多级代理的​​分布式控制架构，用于微电网能源管理和优化”，能源转换与管理，第112卷，第288-307页，2016年。视图:谷歌学术
25. G.Łukawski和K. Sapiecha，“容错控制可扩展的分布式数据结构的架构，”医学成像上的IEEE交易，卷。31，不。4，pp。870-881,2015。视图:谷歌学术

版权

版权所有©2020景丰赵和严李。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。