一个认知基于多维异构数据的知识表示模型

文摘

工作环境中的信息工业网络的特点是多样性,语义,层次结构和相关性。然而,现有的关于环境信息的表示方法主要强调概念和关系在环境和有足够的了解和关系在实例级的项目。也有一些问题,如低的可视化知识表示,人机交互能力差,知识推理能力不足、知识搜索速度慢,不能满足智能和个性化服务的需要。在此基础上,本文设计了一种基于知识的认知信息表示模型图,并结合工业机器人本体与语义描述的知觉信息从互联网获得信息,如功能属性形成一个结构化的知识和逻辑推理认知图包括感知层和认知层。针对数据源的问题的知识库构建认知图知识是广泛的和异构,还有实体不同数据源之间的语义差异和知识体系的差异,多通道实体语义融合模型基于向量的特性和系统融合框架基于知网的设计,和环境描述等信息对象语义、属性、关系、空间位置和上下文收购工业机器人和自己的国家信息统一和标准化。机器人的自动表示实现感知信息,和普遍性、系统性、和直觉表示增强机器人的认知信息,这样的认知推理能力和知识检索效率机器人在工业网络环境可以有效地改善。

1。介绍

人类理解环境和识别环境中的对象根据物体的形状和颜色,和人类环境和对象的信息被存储在人脑中结构化、层次化的形式。随着计算能力的提高和存储数据的计算系统,机器可以通过模拟人类认知知识库构造环境和储存信息,然后有能力认识到环境像人类。

在物联网的工作环境,描述了服务环境信息并将其存储在知识库的形式是实现智能化和个性化服务的前提。工业网络协同机器人执行任务时,多样性的特点,语义,层次结构,相关环境信息的相关性大大增加机器人完成智能服务的困难的任务。通过描述环境信息并将其存储在知识库的形式,它可以帮助机器人不仅掌握工作环境中的对象的语义信息,还帮助机器人搜索对象环境中快速,提高智能机器人合作的能力。然而,在机器人领域的知识库建设,有些环境问题方面的代表性和环境信息采集,如实用性不足、人机交互能力差,不够知识库扩张,高度的人工参与语义信息,和低可靠性之外的独立信息。

知识图技术,近年来出现了,可以有效地解决上述问题。知识图于2012年谷歌提出的,用来改善搜索引擎。随后,许多学者开始研究这一个接一个,和许多成就出现在该领域知识的存储和查询。大量的结构化知识数据通常存储在知识图,直接和真实的场景建模通过使用节点和关系的三胞胎。使用通用的“语言”的三胞胎,场景中的对象和对象之间的关系可以有效和直观的代表。此外,不仅强调知识图的概念和实体关系和实体属性值,丰富和扩展了本体的知识。基于数据存储结构、知识图基于上述特点不仅具有强大的存储、查询和推理能力,但也有优势在实时更新和人机交互。

知识图的应用技术,机器人工业网络知识库的建设可以极大地提高机器人的能力来表示和存储环境的知识。它可以有效地统一各种环境上下文信息,机器人可以理解的信息。同时,基于知识图知识库存储环境信息的形式结构化网络,这使得机器人人类知识库查询也有类似的联想能力,成为提高机器人的智能的关键,实现服务的任务。

2。相关工作

环境信息表示、知识库建设的物联网领域的研究热点和机器人的关键步骤是实现物联网的智能服务。关键问题在于如何编码和环境信息存储在一个统一的形式,在此基础上编码,机器人可以感知和理解环境,然后实现智能合作工作。因此,构建知识库的过程分为两个步骤:获取环境知识和知识表示和存储。

取得了相当大的成就获得环境信息。科勒et al。1)提出了一个基于任务的人机对话环境的知识和学习方法分析了实体环境从每个语义元素映射到联合概率分布模型通过引入语义。Lemaignan et al。2)提出了一个对话模块将自然语言转换成符号事实(OWL语句)根据原句的目的和构建一个象征性的知识库。Lemaignan et al。3)建立了一个基本的和共享的世界模型提取,代表,并使用象征性的知识在人类和机器人之间的语言和非语言交流,适合后续高级任务,如对话理解。Schiffe et al。4)提出了一个灵活的自然语言解释移动机器人语音指令,系统建模语言处理作为解释过程映射演讲中的实体环境。此外,多媒体互动和自治机器人的感知也获取知识的重要方式。Burghart et al。5)提出了一个两层的认知框架,用于服务机器人,逐步嵌入知觉、学习、行动计划,运动控制,人形通信体系结构。Mozos et al。6使用机器人来学习网络上常见的家具模型的例子。通过这些模型、分类和实现未知环境中的家具的位置。Ko et al。7]提出语义地图表示法和类人单眼机器人的导航策略,提取语义信息的基础上,构建视觉映射和构建语义映射节点代表等地区或地标建筑及其空间关系。歌[8)环境信息嵌入人工路标,通过识别,机器人可以获得环境信息。Tamas和Cosmin戈隆(9)提出了一个基于物理特性的三维点云标记系统,可以实现语义解释的周边环境物品(如家具、天花板和门)。文学研究[10,11)构建一个智能空间适合机器人任务执行环境中通过添加robot-perceivable标签。智能空间分配所需的语义信息服务在周围的环境中,和机器人获取相应的信息通过相应的传感方法完成服务任务。

随着机器人技术和人工智能技术的发展,越来越多的注意力都集中在环境信息的人机交互。目前,环境信息的常用表示方法主要包括谓词逻辑表示,产生式规则表示,语义网本体表示,等。本体的结构化知识表示有一个广泛的代表,表现能力强,和推理能力,迅速成为一个研究热点。文学研究[12- - - - - -15),分别利用本体技术来构建相应的知识框架,实现环境表示。公园等。12)提出了一个场景基于领域知识本体的知识库系统的设计。郝et al。13]使用本体知识库模型重组原始数据集,使新数据集的逻辑结构更适合于上层应用程序,提高开放数据的利用率。杨et al。14)提出了一个半自动注释框架是由知道资源的元数据。框架是基于概率图形模型,映射示意图知道资源独立的领域知识库和集体推断实体类和关系。Das et al。15机器人之间设计了一个基于本体的信息共享机制,形成一个集体的知识库,方便系统的整体控制和规划。除了本体表示,Jezek Moucek [16设计了一个语义框架和通过语义Web语言实现面向对象的环境表示。陈(17提出了基于四叉树表示方法的环境。通过设计一个访问代码机制,机器人可以快速掌握环境障碍在复杂的场景信息来完成导航任务。高et al。18)设计了一个三层室内环境的表示模型,代表了家庭环境在全息图的形式,应用面向对象的任务服务。

这些成就不仅反映了环境信息的研究方向的进展表示也表现出一些问题,如缺乏知识表示的结构和可扩展性方面的环境表现;收购表示信息的特点是高人工参与和低可靠性。因此,迫切需要研究信息表示方法和表示信息采集方法适用于物联网的智能服务环境。

知识的概念图提出了谷歌在2012年(19提高其搜索引擎的性能。一旦提出,就引起了强烈的反响,得到了广泛的关注。许多组织迅速跟进,开展相关研究连续改进自己的搜索引擎的性能。出现了许多成果,如搜狗的知识多维数据集和百度的知己20.,21]。从那时起,图形技术逐渐扩散到其他领域的知识。

为了提高搜索的准确性,马里诺et al。22知识图与神经网络相结合,介绍了图形搜索神经网络方法有效地将大知识图合并到视觉分类管道来提高图像分类的准确性和结构化的先验知识。Szekely et al。23)提出了一个构建知识图的方法,它使用语义技术融合来自不同数据源的数据,爬数据扩展到数十亿三胞胎,和知识图适用于挖掘系统打击人口贩卖。文学研究[24- - - - - -29日),分别构造图进行相应的学科和知识可视化分析。其中,GDM实验室复旦大学中国知识图设计相关书籍实现可视化的分类查询书中的字段(27]。贾et al。29日构建中医(中医)知识图,实现有效的中医知识资源的整合,并讨论了中医知识的应用前景图。陆et al。30.]构建教学知识地图,讨论了与学生知识图,并比较了两个,这可能使教师反思自己的工作,使学生意识到问题相关的研究中,因此,它是有利于提高教学内容、策略和活动。

为了建立相应的数据库,Kumar et al。31日)使用基于知识的结构化数据图来构建一个统一的系统结合语音识别和语言理解,用于解决特定问题的自动语音识别和语言处理。贾et al。32)提出了一个网络安全知识库和推理规则基于五行模型。使用机器学习、实体提取本体构建和网络安全知识库。克姆et al。33)提出了一种知识模型来描述环境的空间结构。它所包含的社会网络物理实体,以及它们之间的关系,被认为是一个图表,叫做cyberspatial图(CSG)。Collarana [34)设计了一个叫做FuhSen语义数据集成方法,它使用Web数据源和结构化的关键词搜索功能来生成知识图表合并从可用的Web数据源收集的数据。Kumar等人使用语义丰富知识图形库来解决特定问题在自动语音识别和自然语言处理。

这些成就表明,知识图有非常广阔的发展前景,但是大部分的成就和应用存在于搜索引擎的改进,文本信息处理和智能搜索。郝et al。35)提出了一个环境信息表示机制基于知识图领域的家用机器人的智能服务。在这篇文章中,我们进一步向互联网行业中的专业数据库建设的知识图基于上述研究,同时在此过程中知识的提取工作环境的描述信息,添加功能的信息,和实时状态信息机械手臂的知识提取三元组,并使机械手臂认知外部工作环境、工作对象。和机械臂可以匹配外部环境和对象信息自己的状态和能力,使它有能力来判断它是否能完成一些非特异性的复杂任务。

3所示。机器认知知识图框架

在工业网络的环境,机器人可以获得机器人的信息通过各种传感器的外部环境和内部状态和相互作用机制,统称为机器人感知信息。感性的表达和存储信息的前提是机器人实现认知能力。然而,当机器人完成特异性的复杂性任务,它远远不够简单地识别对象和感知场景。为了达到更高的智力和自主权,机器人不仅需要掌握各种属性的对象操作,如位置、功能、操作模式,说明还有对象的类别。在本节中,针对机器人感知信息的表示,考虑到多样性,语义,层次结构,和相关性的感知信息的表示当机器人执行非特异性复杂性任务,机器人的认知知识图框架包括感知层和认知层基于知识图的目的是实现统一的语义表示和存储信息,属性信息,空间功能信息,和操作对象的上下文信息环境,从而实现机器人的认知知识库的建设。

基于语义网络的知识表示方法,由知识图,不仅谓词逻辑表示的优点是易于理解,而且知识总是存在形式的三胞胎(实体、关系和实体)在知识图,它可以代表知识在正式和简明的方式和直观的模型在现实世界中各种场景。在知识图,三胞胎被视为节点的实体和实体之间的关系作为边,所以知识库包含大量的三胞胎形成一个巨大的知识网络。机器人的方法可以有效地解决这个问题是困难的学习和存储复杂的工作场景中的对象之间的关系,提高机器人的人机交互能力,调查对象,知识推理,和任务执行。

知识库的目的是描述各种实体或概念及其关系在现实世界中。知识库建模为一组三胞胎,与实体为代表e和关系由r。在知识图,实体或概念是由节点和属性或关系是由边缘,因此,在现实世界中实体和关系可以形成一个巨大的语义网络图。下面给出了三种节点和边的定义包含在机器人的认知知识图。

实体。它指实例(人或物体等)的环境,等一个人,一张桌子,和一个齿轮。实体是最基本的知识图中的元素。每个实体都有一个独特的数字知识库中区别于其他实体。

概念。这是相同的实体特征的集合,例如,齿轮和轴承都是工件加工,车床和铣床都生产设备。

属性。它是用来描述一个实体的某些特征,例如,齿轮或轴承的形状参数和性能参数。在认知知识图,它存在于边缘的形式,和属性由属性值测量。

的关系。正式作为一个函数,它作为一个边缘存在于认知知识图用于描述实体或概念之间的关系图。

基于上述定义,三胞胎是认知的信息表示知识图,即G = (E,R,年代),E= {e₁,e₂、……e_n}是一个实体集和R= {r₁,r₂、……r_n}是一个关系集。三元组合的一组表示信息年代是年代⊆E×R×E。

认知知识库的建设基于认知知识图分为感知层的建设和建设的认知层。流程图如图1。感知层主要由一系列的事实数据,包括一系列的多源异构的原始数据和结构化数据进行编码。收集原始数据包括环境数据通过各种传感器,由机器人机器人获得的数据在互联网上通过一个通用的知识库,和专业的一些专业数据库中存储的数据。认知层主要由一系列的知识存储在单位的三胞胎,如三胞胎的齿轮副内阁(齿轮、存储在附件内阁)。认知层是建立在感知层的核心知识图,存储抽象知识(概念)。

3.1。感知层的形成

感知层的建设需要首先发现并添加实体(即。,f我ndent我t我e年代),年代o the data source of knowledge graph is the first problem faced by the self-construction of knowledge graph. According to the working environment of the industrial Internet, the robot can sense and collect images, videos, point clouds, and other data from the environment by carrying corresponding sensors for environmental object identification and space division, etc. However, a lot of tacit knowledge (such as functional attributes and operational attributes of objects) is difficult for the robot ontology to acquire through sensors. When people ask the robot to complete a nonspecific and complicated task of “opening the door,” the robot neither knows the functional attribute of the key to open the door, nor does it know the operating attribute of the key to correctly insert the key into the lock hole, rotate twice, and then turn the doorknob counterclockwise by 90 degrees, so the task cannot be completed. Robots learn relevant knowledge from encyclopedia websites (e.g., Wikipedia), electronic product manuals, and shared structured data sources (e.g., relational databases of various specialties) and add them to the knowledge base, which is an effective way to solve the above problems. Due to the different data sources of the knowledge base, we have designed a knowledge extraction module to achieve the consistency of data formats. The structure diagram is shown in Figure2,主要包括一个三联体下载器,一个文档下载器,一个实体和实体关系处理子模块,三重过滤,机器人功能描述模块,和一个环境信息提取模块。主要功能如下:(1)文档下载器是基于爬虫技术而设计的。其主要工作是捕获web页面的文本和其他文本提供的互联网知识。机器人抓取网页的文本通过文档下载和下载到本地和流程web页面的文本删除无效数据,从而获取文本数据。(2)实体和实体关系抽取模块:它是基于开源工具包CORENLP由斯坦福大学自然语言处理。通过使用尼珥CORENLP分析模块,语句的词法特征进行分析,实现自动提取获得的“文本”实体关系上面的文档下载器。(3)对于结构化数据,不需要提取三胞胎通过实体和实体关系模块,我们可以直接从数据源通过三合下载器下载三胞胎作为候选人三胞胎被添加到三合候选集。(4)三联体过滤器:实体和实体关系提取由机器人从非结构化和结构化数据不可避免地包含重复信息。通过三重过滤模块,避免重复的信息。(5)环境信息处理模块:获取位置和归因环境中的实体和实体之间的关系通过语义SLAM技术(36)结构和空间推理技术(37),分别对机器人环境感知的信息。(6)机器人模块功能描述:功能描述信息的机器人,机器人的功能的语义描述信息在不同的状态和操作不同实体的能力在当前环境下是通过机器人的描述信息和当前状态信息。例如,哪些对象可以在当前环境下,手术操作可以在对象上执行在什么姿势。

通过知识提取模块,机器人从工作环境中提取实体和关系,自己的状态信息,和非结构化和结构化数据,然后生成三胞胎。然而,此时三联体集不是最后的知识图,和实体消歧和实体需要对齐三胞胎的设置为实现来自不同来源的异构知识的融合。

3.2。认知层的形成

知识图技术,如本体技术,采用三组节点和关系,可以直接模拟现实世界的场景。使用通用的“语言”三集,我们可以有效地和直观地表示场景中对象之间的关系。在内容方面,与本体相比,强调概念的关系,不仅强调知识图的概念,实体关系和实体属性值,也丰富和扩展本体知识,如图3。

因此,建设概念认知知识图类似于机器人本体,这是由识别、分类、和抽象实体的环境;我们建立概念之间的上下关系根据等级和概念之间的联系,从而形成一个概念层次结构如图4。因此,建设中的认知层认知图分为两个步骤:知识的提取概念和概念之间的关系的建立。

3.2.1之上。提取的概念

目前,大多数研究在知识概念提取图关注文本语料库的统计数据,并提取候选人在某个领域的概念计算词的频率在不同的文档。本文还使用统计方法来提取候选物联网的概念在工作环境中。根据专家的经验,这一概念是一个词或短语出现在高频率,它可以代表场的特点。因此,特定工作环境的物联网的概念可以被定义为以下两个特点:(1)发生的频率在特定应用领域的工业网络是高于其他领域和(2)均匀分布在文档的特定应用领域的工业网络,而不是集中在个别物联网应用领域的文档。

上述特性(1),我们定量地描述域相关性。域相关性,顾名思义,是用于描述概念和领域的适当性,以及它的计算公式如下:

组域= {D₁D₂、……D_米},公式(2)显示的计算概念之间的相关性n和域。的条件概率 估计的公式可以由以下公式: 在哪里是频率的概念n在域和是频率的概念在 。见公式(2),域相关性的概念仅仅是成正比的频率域和与其他元素无关。当某一概念经常出现在个人领域文档,它将只能通过使用无效的测量概念域相关性,所以功能(2)需要反映的分布概念域的文档。

功能(2),我们使用域一致性来定量描述它,和它的计算公式如下: 在哪里d_j是该领域的任何文档,f_n,d_j是频率的概念n出现在文档d_j。公式(3)结合域相关性和域的一致性,通过设置相关参数α和β域概念无关的发生的概率,可以减少。

3.2.2。建立概念之间的关系

在前面的小节中,我们提取特定应用领域的物联网的相关概念,但这些概念是离散的,不能互相联系。在知识图,连接的概念较高层和较低层的关系,所以我们需要建立较高层和较低层的这些概念之间的关系。在人们的语言使用习惯,经常有这样的句型“A是B,”“就像B和C,”和“A B C”。使用这种语言模型,我们可以建立之间的上下位关系的关系,B和c。例如,“无人工厂”生产设备,如车床和铣床。根据上面的语言模式,可以扣除,上车床和铣床生产设备。

使用上述语言句型,机器人在工业网络可以学习上下关系的概念在百科全书式的文本资源相关的特定的应用领域,因此连接离散概念上下关系串联在一起,形成一个结构化、层次化的概念层。

如图5,机器人结合了机器人感知信息被和语义描述信息等属性,概念,从互联网获得的实体和关系,并建立一个结构化的认知推理知识库包括感知层和层,从而实现统一的语义表示和存储信息,属性信息,空间功能信息,上下文信息环境和对象的生成相应的认知知识图。

4所示。基于向量的知识融合算法的特性

在物联网的工作环境,完成某些复杂的任务,机器人通常需要知道操作对象的各种属性,如位置、功能和操作。知识库具有良好性能和详细的内容是解决这一问题的基础。的过程中构建知识库,知识提取技术实现数据采集。然而,由于其广泛的数据源,这些数据也非常不同的结构;由于自然语言表达的自由,经常出现分歧。知识库的机器人基于这种不能生成统一和明确的认知或完成一些不明和复杂的任务,所以有必要融合提取的知识。

本文在机器人实体语义和知识体系的差异知识库进行了研究。解决实体语义不一致的问题,本文提出了一个实体的语义融合方法,计算其词向量通过文本信息和描述信息的结构化知识和决定了实体语义的相似词向量的余弦相似度,从而实现对齐和实体语义消歧。不同的知识体系,一个框架基于知网的知识系统集成设计,有效地解决问题的知识系统集成。

4.1。多通道实体的语义融合基于向量的特性

对于异构知识的融合,需要一个跨通道数据表示。近年来,它变得越来越受欢迎的形式表示各种类型的数据向量的特性和基于他们进行相应的研究。最常见的学习向量特性是文本域,例如文本或分布式嵌入式表示词表示。它们是基于无监督学习,只依赖于输入文本语料库。异质文本实体信息被编码成密集的向量表示,和两个文本之间的相似度的实体通过计算得到单位向量之间的余弦相似性,从而完成实体融合。

基于这个想法,一些结构化数据也可以编码在低维向量空间。例如,知识图或本体数据库(DBpedia和Wikidata),这是一个网络数据库,entity-relation-entity或entity-predicate-entity组成。结构化数据后由这些实体、关系、或谓词是编码到低维向量,它更容易预测中的链接图的知识和理性知识。

因此,它是一个实用和有效的方法进行预处理文本知识和结构化知识通过相应的手段和代表他们用向量形式,然后实现多源异构知识融合向量融合。

4.2。文本信息的矢量表示

向量转换的文本语料库知识,我们选择word2vec模型。word2vec词向量计算是一个开源工具谷歌发布的2013年,这吸引了行业和学术界的关注,成为一个受欢迎的应用程序领域的自然语言。

图6显示了生成的流词向量基于word2vec方法和获得的输入和输出字对Skip-gram或CBOW(连续袋的话)模型。同时,输入和输出词在一个炎热的编码模式,作为训练样本,带进一个神经网络进行训练。输入矩阵乘以output-hidden层权重矩阵,结果是这个词向量输出的词。

CBOW和word2vec Skip-gram是两种不同的方法。CBOW预测的概率一个词根据其上下文。Skip-gram恰恰相反。在解决的过程中单词向量,这两个模型实际上扮演着重要的角色在获得所需训练样本随后的神经网络模型的训练。

以Skip-gram算法为例,该方法有两个参数:skip-window num-skips,,分别代表数量的上下文预测和输出结果的数量。把句子“机器人走路箱子到工作场所”作为一个例子,假设输入的单词是盒子,skip-window num-skips带2和4,分别包含盒子的最后的话是(走路,,盒子,,),和结果的形式可以表示(输入,输出字)。输入所有的单词在句子中的单词,并输出结果如表所示1。

训练样本如表所示1通过skid-gram模型,但这些训练样本不能直接用于神经网络的训练。在一个炎热的编码也需要编码这些词出现的位置标记为1,其余为0。例如,机器人的代码是[1,0,0,0,0,0,0)在上面的例子中。

输入单词的一个炎热的代码输入到神经网络模型如图7,输入层中的每个神经元代表每一位在一个炎热的代码。设置一个隐层神经网络,一个炎热的编码经过一个input-hidden权重矩阵和一个隐藏层layer-output矩阵最终获得神经网络的输出。我们不关心神经网络的输出,但input-hidden层参数权重矩阵经过神经网络训练。可以获得相应的词向量乘以一个炎热的代码字的参数矩阵。

4.3。向量表示结构化的知识

TransE模型是一个算法将结构化的知识转换成矢量特性,被誉为[提出382013年)。图8显示一个原理图的分布式矢量表示模型基于实体和关系。图9显示了算法。TransE的直观意义的关系r在三组(h,r,t从实体)的翻译h实体t并使(h+r)=t尽可能通过调整向量h,r,t。

与给定三联体(h,r,t),TransE模型转换的关系r成一个向量 ,因此,实体h和r可以连接以向量的形式以更少的损失,和距离函数定义如下:

公式(4)是用来测量之间的距离h+r和t,铰链损失函数是用来最小化模型的训练过程。铰链损失函数如下:

在公式(5),年代三组在结构化的知识库,然后呢的三倍-抽样。ζ间隔的距离参数,因此价值是正的。(X)+是一个积极的功能,这是常数时x是一个正数和零什么时候x是一个负数。

4.4。语义融合基于奇异值分解的多通道实体(计算)

实体的向量表示基于word2vec和TransE模型可以解决语义融合问题的实体single-modal数据如文本和结构化的,但是不能解决知识之间的对齐问题结构化和文本模式。为了解决这个问题,我们得到的向量表示的实体描述通过word2vec编码描述文本(如颜色、形状、位置和类别)实体的结构化数据如表所示2和被平均的文本向量描述实体的描述向量,从而实现实体结构化数据和文本数据之间的一致性,例如,手机“苹果”是区别于水果“苹果”的描述信息“,”“,”和“屏幕”,其流程如图10。

在获得多通道向量表示,向量维数很大,不利于后续的相似度计算。因此,有必要减少对计算向量的维数特征。

摘要奇异值分解)是用来降低维度的特性。输入一个矩阵N可以分解成三个矩阵的奇异值分解,如以下公式所示:

在公式(6),一个和B酉矩阵,Σ是一个对角矩阵,和奇异值的N对角线上减少在降序排列。通过第一个米列第一米奇异值,我们可以得到一个新的米维表示,从而实现降维。

对于多通道矢量表示,由余弦相似性计算相似度计算,计算公式如下:

X_我和Y_我公式中向量的组件X和Y。向量的相似度由以上公式计算范围从−1比1。其中,−1意味着两个向量所代表的实体是完全不同的和1意味着他们是两个相同的实体。−1和1之间的相似性,其价值代表了两个实体之间的语义相似性。

4.5。基于知网的知识体系融合框架

语义的一致性不同的名称相同的实体可以通过实体语义融合算法来解决。然而,由于不同的知识库的知识描述系统是不同的,一些关系知识库只能提供信息实体之间的关系,而一些文本知识库关注实体属性的描述。针对不同的知识体系在上面的知识基础,多源语义知识系统融合方法提出了基于百度百科,维基百科,知网语义词典。通过提供一个统一的分层框架“entity-category-attribute-attribute内容”和“entity-relationship-entity”entity-attribute模板和实体关系模板,它有效地解决了multisemantic知识库融合的问题。根据知识的建设机制图上面所提到的,认知的结构层和感知层很容易扩展数据,这使得机器人能够自动构建知识库。在感知层知识存储在三元组,所以实体、属性和关系可以更好地理解语义范围,提高搜索机器人项目的准确性,使机器人能够有能力相关的搜索。知识融合的流程图如图11,其步骤如下:步骤1:导入实体集知识提取模块的知识获得的图像感知层,把知网语义词典,提取相对应的语义属性信息实体语义词典,然后补充和马克融合实体的属性步骤2:学习概念信息,如从域文档类别百科全书式的知识基础,使用语言模型获得的上下位置关系类别,使用知网语义词典来获取属性信息的类别,并建立认知层categories-attributes categories-subclasses步骤3:进口设置的关系形成一个统一的规范环境知识表示规范层次框架的基础上“entity-category——attribute-attribute内容”和“entity-relationship-entity”

5。实验:结果与讨论

5.1。多通道实体语义融合实验

基于实体语义一致性算法本文50组对象相关的机器人工作环境从YAGO百科知识库,分别。根据本文中的算法,实体文本百科知识库的描述信息YAGO知识库表示向量的形式特征。评价指标的特征向量的相似度计算方法使用精确率(p),召回率(r),F1在实体语义融合值,它们的定义如下:

的意义TP、TN、FP和FN如表所示3。

TP, FP、FN和TN可以理解如下:(我)TP:融合语义是1和实际语义是1,融合正确(2)外交政策:融合语义是1和实际语义是0,融合误差(3)FN:融合语义是0和实际语义是1,融合误差(iv)TN:融合语义是0和实际语义是0,融合正确

验证本文算法的有效性,我们选择上的数据8常见的水果和蔬菜水果和蔬菜分类线进行测试,将信心阈值设置为0.9,获得实体语义的混淆矩阵融合精度,如图12。从混淆矩阵可以看出,除了橘子和橙子,其描述信息太相似,导致精度较低,其他语义融合的精度已经达到了一个更高的水平,和整体性能很好。为了进一步验证本文算法,50套实体语义和对应的描述信息选择扩大测试数据。根据上述评价指标的准确性和F1的值,通过实验测试结果如图所示13,蓝色折线精度结果和橙色的折线F1值结果。通过观察的语义融合结果50组测试样本,采用语义融合方法的准确性在本章和的平均值F1值达到70%左右,语义融合效果理想。

5.2。比较实验实体语义特征向量的降维

同时,为了提高实体语义相似度计算的效率,我们选择奇异值分解的方法来减少向量的维数和比较它与向量没有尺寸减少运行时间和准确性。通过实验测试结果如图所示14。

通过比较曲线在图的准确性14,我们可以知道没有降维实体语义融合的准确性和降维。虽然向量和降维的准确性略低于,没有降维,他们大致在同一水平上。通过比较运行时间曲线,可以看出,尽管dimension-reduced向量的一些项目的运行时间超过no-dimension-reduced向量的语义,语义的融合时间远远低于no-dimension-reduced dimension-reduced语义向量语义。一般来说,通过向量的降维操作,大大减少匹配时间向量匹配的成功率保持,并改进实体语义匹配的效率。

5.3。认知实验

这个实验的主要目的是验证机械臂的智能决策能力是否在处理非特异性的复杂的任务后可以提高集成专业的数据库信息,功能信息,实时状态信息时机械臂到物联网建设知识图。在实验中,我们把不同的水果和蔬菜在三个领域的手臂。

如图15区域1是一个可操作的区域,机械臂可以准确地确定项目的类型和灵活地获取它们。二是关键在最远的位置臂可达对象。区域3的地方必须无法捕捉的对象。一个西瓜和一个苹果放在每个三个方面。我们选择了一个机械手臂的控制测试3公斤。机械臂决定物体的距离使用深度相机。我们给的指令是“把所有的水果和蔬菜”。在实验中,每次的手臂抓住了判断,我们记录是否成功与否,然后改变了西瓜和苹果的位置在三个方面。总共50实验,实验结果表中列出4。

在表4的成功率,机械手臂在判断苹果和西瓜抢在不同的地区,分别计算。我们发现,无论在机械手臂认识到西瓜,没有抓住它。这表明手臂知道它不能赶上西瓜通过其知识图。只有在区域3中,有两个错误的判断,因为距离太远,对象识别错了。认识和抓住苹果的成功率是最高的地区1。只有一次成功识别后,抓住失败,苹果了。识别的成功率和抓住苹果区域2中仅为68%。原因在于,当苹果在关键位置,判断的准确性机械手臂的距离是有限的,和经常有错误的位置识别。在区域3中,苹果识别和获取的成功率也很高,只有5个苹果未能抓住,因为所有的苹果在远处被认为正确,没有试图抓住,虽然有五个苹果在区域3放置接近临界面积,和手臂苹果可能会被误判,导致获取的失败。

6。结论和未来的工作

本文主要研究如何构建环境信息的表示模型在工业网络,提出了一种基于知识表示模型的认知信息图,给出了施工过程的模型,并描述了详细的感知层和认知层的建设。环境信息后由本体感知信息和网络资源信息的工业机器人并存储在知识库的形式,工业机器人可以根据位置,计划任务功能,项目任务的操作,然后执行智能操作准确、高效。此外,我们还分析了知识融合的必要性,描述了数据融合的问题。给出一个具体的融合方案,包括实体语义融合和知识体系框架构建。多通道实体的语义融合实现基于向量表示。它提供了一个统一的分层框架“entity-category——attribute-attribute内容”和“entity-relationship-entity”,有效地解决了的问题不一致的知识体系的融合multisemantic知识库。

此外,整合专业数据库信息后,函数信息,和实时状态信息的机械手臂到物联网构建知识图时,机械臂的能力来处理非特异性的复杂的任务和智力水平的提高。

本文在环境方面取得了一些成就信息表示和知识融合,但在知识库知识融合的过程中,被认为是只有语义融合的物品,没有融合的研究项目之间的关系和属性。因此,一些算法融合项目的相关属性和关系可以被认为是实现更高层次的知识融合在未来。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这部分工作是支持关键陕西省(没有的R & D项目。2019 zdlgy03-04),西安科技计划项目(项目号。GXYD19.8和GXYD19.7)和中国国家自然科学基金(没有。61303225),空间科学技术基金项目没有。D5120200106)。

引用

1. t·科勒,诉佩雷拉、d . Nardi和m .维罗索”从任务型人机对话学习环境知识,”2013年IEEE机器人与自动化国际会议上卡尔斯鲁厄,页4304 - 4309年,德国,2013年5月。视图:出版商的网站|谷歌学术搜索
2. s . Lemaignan r . Ros r . Alami和m . Beetz”,你在说什么?接地对话perspective-aware机器人体系结构”2011年RO-MAN,页107 - 112年,亚特兰大,乔治亚州,美国,2011年7月。视图:出版商的网站|谷歌学术搜索
3. s . Lemaignan r . Ros e·a·Sisbot r . Alami和m . Beetz“接地的交互:锚定坐落在日常话语人机交互,”国际社会机器人技术杂志》上,4卷,不。2、181 - 199年,2012页。视图:出版商的网站|谷歌学术搜索
4. 美国希弗:霍普,g . Lakemeyer”自然语言交互式服务机器人在国内领域,“通信在计算机和信息科学卷。358年,39-53,2012页。视图:出版商的网站|谷歌学术搜索
5. c . Burghart r . Mikut r . Stiefelhagen et al .,“仿人机器人的认知体系结构:第一种方法,”5日IEEE-RAS人形机器人国际会议上,2005年筑波,页357 - 362年,日本,2005年12月。视图:出版商的网站|谷歌学术搜索
6. o . Mozos Z.-C。顿,m . Beetz”家具模型从WWW,”IEEE机器人和自动化》杂志,18卷,不。2,22-32,2011页。视图:出版商的网站|谷歌学术搜索
7. d . w . Ko, c .咦,i . h . Suh”与视觉平面地标,语义映射和导航”2012年第九届国际会议上无处不在的机器人和环境情报(URAI)大田,页255 - 258年,韩国,2012年11月。视图:出版商的网站|谷歌学术搜索
8. c .歌曲研究建立基于分布式智能语义地图的室内机器人表示,北京化工大学,北京,中国,2015。
9. l .答摩和l . Cosmin戈隆”3 d语义解释对于机器人感知内部办公环境,”人工智能技术的工程应用32卷,第87 - 76页,2014年。视图:出版商的网站|谷歌学术搜索
10. 吴h . g .田、陈x t . Zhang和f .周,“室内未知环境地图构建基于服务任务方向,机器人”机器人,32卷,不。2、196 - 203年,2010页。视图:出版商的网站|谷歌学术搜索
11. h . Wu”特征的大规模未知的基于RFID技术的环境信息,“中南大学学报(科技),没有。S1, 166 - 170年,2013页。视图:谷歌学术搜索
12. m . w .公园汉,w . j .儿子,和s . j . Kim”设计的场景基于领域本体的知识库系统,”2017年19先进通信技术国际会议IEEE,页560 - 562年,Bongpyeong,韩国,2017年2月。视图:出版商的网站|谷歌学术搜索
13. 李问:,y l . m . Wang和m .王,“一种基于本体的数据组织方法,”2017年第五届国际会议上先进的云计算和大数据(CBD),第140 - 135页,上海,中国,2017年8月。视图:出版商的网站|谷歌学术搜索
14. 和朱x, y, z . Wu”半自动元数据注释的web和知识库的事,”2016年IEEE国际会议网络基础设施和数字内容(IC-NIDC),第129 - 124页,北京,中国,2016年9月。视图:出版商的网站|谷歌学术搜索
15. p . Das,诉莱尔•l . Ribas-Xirgo本体支持分散的多机器人系统的集体智慧,2018,https://arxiv.org/abs/1806.00367。
16. p . Jezek和r . Moucek”面向对象模型映射到语义web语言的语义框架,“Neuroinformatics前沿,9卷,不。3 p。2015。视图:出版商的网站|谷歌学术搜索
17. y陈,室内服务机器人导航研究大规模复杂的场景中国科学技术大学,合肥,中国,2017。
18. 美国高,l .香港,p . Wu”自主处理方法的中国服务指令室内智能机器人,”机器人,没有。4、424 - 434年,2015页。视图:谷歌学术搜索
19. a·辛格尔介绍Knowledgegraph:事情,不是字符串,2012年google官方博客。
20. 搜狐的百科全书,2015年,http://baike.sogou.comlh6b61 b234.htm。
21. 百度百科全书,2015年,http://baike.baidu.com Iview / 10972128. htm。
22. k·马里诺,r . Salakhutdinov和a·古普塔”你知道的越多:使用知识图的图像分类,”2017年IEEE计算机视觉与模式识别会议(CVPR)页,精神分裂症一般在火奴鲁鲁,嗨,美国,2017年。视图:出版商的网站|谷歌学术搜索
23. p . Szekely c . a . Knoblock j . Slepicka et al。构建和使用知识图打击人口贩卖美国纽约,施普林格国际出版,2015年。
24. 张y和m .刘”在中国体育产业研究的可视化分析基于知识地图,”中国体育科学和技术,52卷,不。1,24-29,2016页。视图:谷歌学术搜索
25. 他问:,“可视化分析中国体育研究领域的基于知识地图,”北京体育大学学报,39卷,不。2、98 - 103年,2016页。视图:谷歌学术搜索
26. 李b, z汉,k . Zhang et al .,“中国海洋经济的知识结构研究:分析基于CiteSpace地图,”Scientia Geographica中央研究院,36卷,不。5,643 - 652年,2016页。视图:谷歌学术搜索
27. 中州。肖,K.-Z。张,w·王,知识图施工方法领域的书籍阅读,中国。
28. g .金、f . Lu和z,“企业信息集成基于知识图和语义web技术,”东南大学学报(自然科学版),44卷,不。2、250 - 255年,2014页。视图:出版商的网站|谷歌学术搜索
29. y l .贾j . Liu通et al .,“建设中医知识地图,”医学信息学杂志,36卷,不。8 + 51号~ 53号59,2015页。视图:谷歌学术搜索
30. x, j .曾m .张郭x,和j·张,“利用知识图表优化蕴藏指令,”远程教育在中国,没有。7,79 - 80年,2016页。视图:谷歌学术搜索
31. A·库马尔·c·施密特和j·科勒,”知识问答系统基于图的语音界面,“言语交际卷,92年,页1 - 12,2017。视图:出版商的网站|谷歌学术搜索
32. y, y, h .商r .江和A·李,“一个实用的方法来构建知识网络图,“工程,4卷,不。1,53-60,2018页。视图:出版商的网站|谷歌学术搜索
33. 欧克姆,f . Balbo a·齐默尔曼,p . Nagellen”cyber-physical-social环境中的多目标寻路:多层语义知识图搜索,“Procedia计算机科学卷,112年,第750 - 741页,2017年。视图:出版商的网站|谷歌学术搜索
34. d . Collarana m . Galkin Traverso-Ribon, c·兰格M.-E。比达尔和美国奥尔,“语义数据集成知识图施工在查询时,”2017年IEEE 11日语义计算国际会议(ICSC)圣地亚哥,页109 - 116,美国2017年1月。视图:出版商的网站|谷歌学术搜索
35. w·郝j . Menglin t . Guohui m .清g·刘,“R-KG:一种新颖的方法来实现机器人智能服务,“人工智能(AI),1卷,不。1,第140 - 117页,2020。视图:出版商的网站|谷歌学术搜索
36. j . McCormac a手中,a·戴维森和s . Leutenegger”Semanticfusion:密集的3 d语义映射与卷积神经网络,”2017年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,IEEE,滨海湾金沙,新加坡,2017年5月。视图:谷歌学术搜索
37. z王”,RGB-D场景解析基于空间结构推断深度融合网络,”中国电子杂志5卷,第1258 - 1253页,2018年。视图:谷歌学术搜索
38. a .誉为n . Usunier a . Garcia-Duran j .韦斯顿和o . Yakhnenko,“翻译为建模multi-relational数据嵌入,”先进的神经信息处理系统26卷,第2795 - 2787页,2013年。视图:谷歌学术搜索

版权

版权©2020越南盾钟等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。