文摘

为了解决互操作性问题的物联网,语义Web技术引入到物联网,形成语义网络的事情。本体结构是语义网的核心的东西。首先,本文分析了语义Web的本体建设方法的缺点东西。然后,本文提出了建设语义本体基于改进粗糙概念格,它提供了理论依据遥感数据属性的语义注释。此外,本文描述了语义注释系统物联网基于本体的语义相似度。系统包括三个步骤:本体映射集成模块,信息提取模块和语义注释的传感数据。最后,实验结果表明,这种语义注释方法有效地提高了传感器信息和数据属性的灵活性,有效地提高了传感器信息的表达能力和数据的使用价值。

1。介绍

近年来,物联网中的数据存在于一个异构和分散的结构。为了解决互操作性问题和情报在物联网系统中,语义Web技术引入到物联网,形成语义Web的事情。然而,对象和对象的有限性的多样性构成物联网的内在矛盾。为了解决这些缺陷,介绍了基于本体的语义标注方法。这种新方法使web服务、代理和机器理解感官信息。总之,这种方法可以大大提高物联网的功能。

随着物联网技术的发展,物联网提出了收集的信息质量的特点,异质性和多样性。感知数据的位置,不仅是异构的无线传感器结构和路由协议数据格式也不同,存储方法和属性描述(1]。这异质性主要阻碍了数据的集成和融合不同领域中也增加了数据处理的难度和减灾应用程序开发。最后,很难实现资源和数据的交互和协作。

是语义网的基础,传感器本体的建设已经成为研究的关键。原始传感器数据,传感器本体可以添加语义丰富的传感器信息,使机器理解传感器数据的意义,做出明智的决定。因此,语义网本体建设的核心工作的事情。同时,在语义网本体是语义注释的基础的东西。

语义注释提供额外的描述性信息资源,然后找到(潜在)本体之间的相似之处。使用本体映射技术主要是计算两个本体元素对之间的相似性,以及元素之间的相似性与本体定义,本体实例,本体规则或约束。最后,传感器的状态和状态的变化趋势可以反映在详细和准确2]。作者组织和发达的SSN本体当前设备的异构性。这里,语义描述的传感装置提高了传感设备之间的互操作性在语义层面上(3]。作者提出一个面向服务的传感器本体,同时描述了一种自适应传感器网络基于本体(4]。传统的基于粗糙集概念格构造方法不适合建筑本体(5]。

语义Web的系统分为三层:感知层、网络层和应用程序层。感知层语义互操作性的研究内容主要包括核心本体在语义网的建设,建立语义中间件和感官收集信息的语义注释。网络层语义互操作性的研究内容主要包括语义构成传感器网络,基于无处不在的网络,网络传输和语义web技术的应用6]。应用层语义互操作性的研究内容主要包括本体的结合应用,传感器数据的语义组合,语义推理的信息和语义分析的信息。

这些本体缺乏隐式概念的描述,具体的系统特征,新兴的概念域。与此同时,这些本体不能直接用于特定的物联网系统。因此,研究传感器本体的自动施工技术是一个重要的任务。提出了建筑本体的语义Web的基础上改善粗糙概念格模型。

为了有效地提高感知信息的属性描述的灵活性,提高传感器的分析能力和收集信息的使用价值,本文提出了一个自动注释基于本体技术的传感器数据的方法。该方法可以准确反映传感实体的位置和状态变化,促进跨域的实现异构资源在语义Web交互和数据共享的东西。遥感信息的语义描述属性明确和统一的传感器本体。粗糙概念格同构模型是用于构建语义本体结构的传感数据。进行本体语义的层次结构分析是基于概念格和可变精度粗糙集,最后语义注释框架语义网的形成。最后,通过实验证明了这种语义注释方法有效地提高了遥感信息和数据属性的灵活性和有效地提高遥感信息的表达能力和数据的使用价值。

2。使用语义粗糙概念格模型构建本体的语义Web的事情

语义Web技术的发展,物联网问题提供更好的解决方案。作为语义网的核心,本体是一个明确的规范的概念模型。本体的目的是描述相关领域知识,提供一个公共的明确对领域知识的理解,并正式给一个明确的定义概念之间的相互关系。本体支持的大规模和异构资源搜索和开发语义Web的事情。

目前,传感器本体的最著名的建筑是万维网联盟发展SSN-XG项目(7]。通用传感器本体(SSN)描述了传感器和观察的能力,测量过程,观察,和分布。该本体用于添加一些语义信息传感器数据和找到传感器数据的相关信息。传感器本体构建基于通用传感器本体,可以注释JSON格式的传感器数据。本体也有一些特定的概念,可以提高系统的适应性。本体主要是传感器系统的描述,传感器组件,和观察过程。

定义1。领域知识空间:本体O被定义为两个元组<B,R>,B域中的概念集吗O和R是集的概念域空间的关系。类:具有公共属性和特性的对象的描述。类的例子是描述类,一个类,b就是一个例子B记录如图所示, 本体的内容主要包括概念、属性、实例和公理,四元组O= (C,R,我,P),在那里C设置的概念或类(它是用来描述资源抽象和分类);R代表一组概念之间的关系(这是用于描述概念之间的各种关系,包括等级关系、逻辑关系、关系操作,和依赖);我表示一组概念的实例;和P用于描述和个人的特定对象。表示的公理集是用于描述一个重言式命题的有效和一致的检测。

定义2。(见[8])。HTC是半序集(x,y),C是一个有限集的概念,这是一个偏序H。一般关系是一个广义的关系描述的概念,父亲和儿子之间的关系,相当于子类的关系。高级低子对象的父对象特性方程所示(2),子对象继承父对象的属性和特征。 本体开发过程分为以下阶段:(1)规范;(2)识别本体发展;(3)预定的用户;(4)应用环境;(5)正式;和(6)描述范围。本体描述范围包括词汇、特点、和粒度。

定理1。类的直接子类之间的交集是null。也就是说,C_l,C₂是C直接子类,假设C₂是C₁。保证一个子类的子类的分离原理是一个不相交的超类的分解。
本体是由本体映射。本体之间的映射是实现两种映射功能:一个是映射不会改变本体的概念;另一个是变化的映射本体的概念,解释了改变。
不仅在属性感知数据异构的数据格式和通信协议还和属性描述。由于缺乏某种结构,机器自动理解有必要非结构化数据和提取所需的知识。它必须使用自然语言处理(NLP)预处理技术。本文主要采用形式概念分析技术构建传感器本体的非结构化数据。
如果一个决策表年代= (U,一个,V,f),一个=C∪D是一组属性,V是属性值的集合,f是信息功能,D= {d₁,d₂、…D_n},那么可以分解成决策表n不同决策单决策表{年代₁,年代₂、…年代_n},,如果= (U,人工智能、Vi、fi)域表,U话语领域,人工智能= C∪{迪}属性设置,V分别是属性值的集合,C被称为条件属性集,{迪}是决策属性集. .

定理2。由于决策表 , ,如果只有一个重复的元素保留和按升序排列吗= { , ,…,}, ,所以 > > .... > (5]。
因此,概念格的方法可以帮助构建本体,它提供了一个指导本体建设方法。
概念格和可变精度粗糙集理论密切相关;粗糙集理论和概念格合并成一个粗糙概念格模型,并首次分析了粗糙集和概念格之间的关系。在这篇文章中,减少的想法β上部和更低的分布减少可变精度粗糙集应用于正式的上下文。因此,本文提出一种基于可变精度粗糙集概念格构造模型。首先,正面和负面的定义字段属性集之间的改善,可变精度粗糙集模型和根据的想法扩展最大的十字路口。然后,本文结合了β值选择方法提高近似基于可变精度粗糙集理论的知识约简算法。
概念格的构造算法的改进规则获取算法结合可变精度粗糙集,最后语义粗糙概念格的构造算法如下。

然后,本文使用可变精度粗糙集减少正式通过选择适当的上下文β值,以减少冗余对象和噪声。根据正式的情况下,减少传感器本体由使用粗糙概念格技术[9]。
本体模型通过使用改进粗糙概念格构造主要是体现在层次结构的概念。

定义3。两个本体序列米,年代₁= <一个₁…一个_r>和米_k,年代₂= <米₁…米_k>,如果有一个函数,j₁<j₂<…V<j_r1<j_r,使j₁,一个₁,一个₁、…一个_R,米_小,然后S1叫做子本体的S2,或称为S2包含S1, S2和S1在同一个本体,缩写为显示由方程(3)[3]。 建设领域本体包括7步骤。第一步是确定本体的专业领域和范畴。第二步是检查重用现有本体的可能性。第三步是本体中的重要术语列表。第四步是定义类和类的层次结构。第五步是定义类的属性。第六步是定义属性的方面。第七步是创建一个实例。
领域本体在语义Web的施工步骤如下:(1)从一个空的资源和身份数据收集。(2)设备和识别数据添加到正式环境。(3)构建粗糙概念格的正式的上下文。(4)编辑直接据本体的需求。(5)编辑本体引发的程序。(6)RFCA可以生成新对象,直接由属性组成。(7)整个过程可以不断重复,直到传感器本体猫头鹰格式的最终输出。

2.1。传感器本体的建设策略基于粗糙概念格模型

步骤1:将sensor-perceived数据和传感器的识别到二维文本信息根据射频识别的原则。步骤2:形式从非结构化文本中提取的上下文信息。由于缺乏某种结构,自然语言处理技术用于自动理解和提取所需知识元组,和概念格的形式化技术用于预处理。步骤3:正式的上下文是减少使用粗糙概念格模型,和冗余对象和噪音减少通过选择合适的阈值。针对减少正式的上下文中,粗糙概念格模型是用于构造单元本体,最后根据顶级域生成传感器本体SSN本体。

本文运用改进的粗糙概念格生成传感器本体的方法。物联网结合专家知识,领域传感器提取本体,通过顶级SSN本体生成的半自动生成。

改善粗糙概念格模型的核心思想是先进行预处理的正式上下文域。然后,能力强的可变精度粗糙集属性约简概念格的用于减少。建筑概念格的节点数量大大减少,系统的鲁棒性和抗噪声有效地增强。

3所示。小说在语义网模型的语义注释的事情

语义Web技术的发展和应用,它提供了一个更好的解决方案问题的语义注释。语义注释是一个关键的技术来解决异构和分布式本体之间的信息交互。语义注释将建立在无数的小本体,和大量的小本体通常是异构的。这将导致频繁操作异构本体的过程中使用语义信息。语义标注技术可以促进跨域的实现异构资源互动和协作在物联网10]。

与通常的语义标注系统,本体也包含在系统建设。通过使用规则模板和从文本聚类方法,本体建设可以产生集群的结果作为一个概念和关系的建议提供给该领域的专家。

语义感知层是语义互操作性;创建语义本体在W3C不仅为传感器本身也提供一个结构化的描述性信息传感器测量。它可以消除设备的异构性。语义本体为新设备的出现所描述的RFID标签。一个共享本体是实现多域本体语义互操作性;尽管共享本体可以包含多个字段,存储和管理大型本体是困难的11]。传感器数据注释在LOD应用程序,它是智能的领域本体,由以下方程[5所示12]:

为了准确、合理地找到类似的概念在语义注释,有必要研究相似性的计算方法(13]。在认知心理学领域,相似度是两个或两个以上的心理表征之间的心理距离。在实际应用中,常常需要给之间的相似程度,术语,词汇,从定量的角度和概念。语义相似度是通过使用一个相似性指标定量表示。近年来,学者们提出了计算概念相似度的方法从不同的理论视角。信息化的方法是基于信息理论和描述了概念之间的相似性计算信息内容(IC)之间共享信息的概念。方法分为基于语料库方法,本体内部特征方法根据知识来源。

前者计算IC值通过计算两个概念同时发生的概率在语料库。但这种方法依赖于一个高度标注语料库,这是很难获得。为了找到相似的概念准确、迅速在语义注释,基于功能的方法和信息化方法相结合来提取特征本体的分类结构。本文提出了一个高效、简单和可靠的计算语义相似度的方法。这个方法可以用于single-ontology multi-ontology语境和上下文敏感的语义相似度计算方法。让现场K= (C_int,R),scene-related特性集的概念c被定义为

定义4。如果是一个假设,B,C,D元素在米。然后,一组(b,C]:C={X在米|b,x}被定义为时间间隔,并设置一个={X在米|x叫理想,主要理想,合奏},= {x=ε米|x说主过滤器}。同时,P<C和[P,C]= {P,C},如图所示

定义5。的分类特性集的概念c在本体O= <C,R>被定义为 ,O(c)= {c|c∈P,P∈hype_paths (c)}。

定义6。从本体论的角度P₁,P₂、…P_n的中间层的步骤P_n如下:在吗P₁,P₂、…P_n在本体,中间层的操作运营本体映射 ,和P₁,P₂、…我_n、…P_n,之间的关系的概念添加到启发式规则 ,如图所示, 基于语义相似度的计算问题的特性和信息内容语义Web的东西如下。(1)如何有机结合基于功能的方法和信息化方法构建一个综合相似度算法。(2)研究如何提取低成本作为属性特性集本体分类结构。(3)使用本体中概念的信息内容分配权重的特性,如何解决本体之间的粒度不一致的问题。

定义7。(见[4])。的基础上,在物联网传感器模型,跳边增加的支持。由于观测数据序列(X₁,X₂、……X_n)是方程(8)所示,R代表序列之间的关系R(R₁,R₂、…R_N)。让(t)=b(t)X(t)被定义为一组传输特性(y,y,x)= {f_米(我,Y_我,y_我−1,x)},b_我(t)定义了一组状态特性H(Y在X)= {(我,Y_我,x)}。 针对传感器数据属性的语义标注方法在物联网,数据属性注释提出基于语义网技术的主要方法。通过语义描述数据属性层次结构的本体,属性从关系数据库中提取的数据,以便数据属性存在独立于特定的应用程序。

4所示。在语义网本体建设方法和语义注释通过语义粗糙概念格模型的东西

本文主要研究本体建设、语义标注和语义Web的语义相似度计算的东西。本文探讨了传感器的自动构建本体在语义Web的事情。由于大量和复杂的传感器信息,本文对传感器数据执行语义注释和分类分析。

基于本体的语义相似度计算方法进行了分析和改进语义Web的事情。探索是十分必要的基于特征的相似性计算方法在物联网15]。

本文首先感知和获得大量的原始数据,然后构造数据资源语义结构信息。此外,在感知层生成规则库。抽取命名实体的功能是完成从输入传感器信息资源。语义注释进行传感器的采样通过使用传感器本体的语义结构层次的分析。传感器数据语义注释采用最高的本体部分基于功能和信息内容的相关性。

在此基础上,提出了一种粗糙概念格模型来解决这个问题:(一)预处理在物联网传感信息来源和提取知识元组传感信息来源。(B)计算语义相似度的概念和关系的知识元组集,合并相似的概念,并使用粗糙概念格模型来生成一个初始化的本体。(C)根据顶级SSN本体,遥感的概念,重要性的关系,和布尔关系本体论初始化形成分层传感器本体。

在这篇文章中,TF^∗以色列国防军在概率统计方法用于获得象征性的数据代表设备和资源。具体方法是计算的频率概念词汇RFID标签的设备。如果频率大于10%的指定的阈值,它是作为设备中的数据。然后,发现概念数据,形成一个二元关系表的资源和标识符结合相应的资源集。概念节点应该是一个重要的词汇,可以代表感官信息。本体中概念之间的相关性计算根据下面的方法,以表达概念之间的强弱关系,表明方程(9)。方程(9)描述的两个词之间的关联程度及其方向。

4.1。在语义Web的本体建设模型

详细描述传感器本体建设的技术路线如下。

以下4.4.1。提取上下文语义信息

论述了建设战略,传感器本体基于粗糙概念格模型结合语义Web的传感器信息的特点。这提供了一个解决方案自动构建本体的语义Web的事情。本文首先使用自然语言理解和RDF技术预处理收集传感器数据和射频识别标签。这样,知识元组的资源和设备。

定理3。对决策表年代= (U,C,D,f),基于划分的条件:U / RC = {X₁,X₂,X_n},记得基于分裂的决定U/理查德·道金斯={D₁,D₂,D_米},传感器本体的信息矩阵所示。 研究中对传感器本体在语义网的建设,它是耗时且容易出错的手动构建本体。本文改进的粗糙概念格模型用于构建传感器本体。因此,它主要反映了传感概念之间的层次结构。通过计算特遣部队^∗IDF每个单词,单词相关性高的遥感资源可以筛选出来。通常,最后百分之十的单词删除重复计算,直到一组最小数量的单词。最后,形成一套词汇。

4.1.2。建设传感器本体的基础上改进了粗糙概念格模型

(1)提高了概念格模型。本文改进的上部和下部分布基于可变精度粗糙集的属性约简算法是用来减少正式上下文(16]。通过改进的方法计算的矩阵,该算法适用于相容决策表和不相容决策表。的基础上不改变晶格结构,对象和属性的数量减少,构造概念格的时间复杂度降低,其覆盖能力和泛化能力增加。

(2)使用改善粗糙概念格模型生成单元本体。通过选择适当的β值,正式的上下文是减少使用可变精度粗糙集。目的是减少不必要的对象和噪声。针对减少正式的上下文中,粗糙概念格技术是用于构造单元本体。与RFCA构建本体的具体方法如下:第一步:计算 , , 。步骤2:等价类X_我=U|C_我(我= 1,2,…n);对于每个条件属性,计算的价值(∈(0.5,C])近似分类质量在Y=U|D(我= 1,2,…N)。步骤3:当电流y和当前位置序列我,该算法可以获得最佳的标签序列的当前位置,和j不是标准化的概率值。其递归形式如下: 步骤4:N(语法)方法应用于段的句子,句子是大约与注释词汇表中的词列表。当匹配成功,注释相应的类型和调整句子分割的结果,以确保这个词已经被这个词的类型注释。第五步:如果(我= =n)|l| / |U|⟶ ;分类的算法完成测量质量;去其他步骤4;第六步:RFCA可以产生新的对象,直接由属性组成的。步骤7:| |l_k| | > 1l_{k+ 1}:=∅;第八步:整个过程可以重复,直到设计师满意。

最后,粗糙概念格转化为相应的传感器本体。这里的方法是使用偏序方法代表形成正式的概念与资源属性。同时,我们只会让属性在概念格中出现一次,当我们对它进行注释。传感器本体描述的关键元素是设备属性和属性之间的关系。通过这种方式,传感器本体构建。

4.1.3。映射本体的语义Web的事情

概念格和可变精度粗糙集理论用于本体映射的过程。该模型综合考虑了多策略模型的特征信息和结构信息,构成了多策略本体映射模型。WordNet的帮助下,采用概念相似度的计算方法来计算本体之间的相似属性的概念。最后,本体属性映射的单元。

为了获得物联网中的数据,相关概念网络模型通常是建立(17]。同时,这些话有更高的特遣部队^∗以色列国防军的价值。TF的产物和IDF的数值表示词与词之间关联程度和资源。特遣部队(频率)代表一个单词出现的次数的资源。IDF代表词汇为特定资源的特异性。DF ( )词汇代表资源的总数的存在。以色列国防军由以下方程,计算N是指资源的总数。以色列国防军的价值( )显示资源歧视的词汇的能力 。

4.2。传感数据的语义标注语义Web框架的事情

本文首先收集传感器网络数据并添加特定于域的类和概念的帮助下SSN本体。形成的语义传感器数据预处理和OWL的本体描述转换为RDF三元组的形式。概念类、实例、属性和关系是存储在数据库中根据不同谓词的三元组。

语义标注系统是基于粗糙概念格模型。本文提出一种基于multi-ontology语义注释系统在物联网传感器数据,这个系统包含三个关键技术:(1)本体映射集成技术;(2)信息提取技术;和(3)语义标注方法。

4.2.1。准备本体映射集成

本文采用本体集成技术来处理多个本体之间的异构问题。本体集成完成本体合并基于本体映射的过程。合并后的本体的分析之后,本文生成解析文件,然后使用规则生成常规文件,存储在规则库。本体映射是基于相似度的方法:该方法计算节点之间的相似度从语法和语义的角度来看,它使用相似的值来确定映射。基于相似性计算本体映射框架分为以下步骤:步骤1:领域专家指定自动映射之前本体概念之间的映射关系。步骤2:选择一组关系概念(父子关系)作为候选集概念。存在很多语义本体概念之间的关系。对于一个给定的一对概念映射、语义关系的本体概念与他们可能也有映射关系。步骤3:计算概念相似度的候选集的概念。步骤4:在计算相似概念的名字之前,有必要恢复中的缩写名称根据域的词汇。然后,概念名称的相似度,利用编辑距离计算。第五步:语义相似度的计算是基于加权测量。步骤6:从语义Web的事情需要分析不同的传感器收集的传感数据,有必要根据物理位置添加权重。它主要来自传感器的采样程度的真正对象。提出了一种基于加权相似度测量方法测量。根据所有的属性(我₁,我₂)的传感器数据E₁和E₂,一个笛卡儿积。所以,p(我₁,我₂)= {<一个₁,b₂>…<一个_n,b_n>},两组相似度计算: 第七步:概念相似度计算通过使用特定实例的概念。概念的实例也是其祖先的一个实例的概念。基于实例的计算理论基础概念相似度是两个概念都是相同的,如果他们都有相同的实例。第八步:概念是重要特性的属性来描述概念和特征的语义概念。分别有两种类型的概念属性的数据类型和对象类型。数据类型属性的一组概念是它的属性。对象类型属性的概念实例的关系,表明以下方程: 第九步:根据相似性矩阵,建立两个本体概念之间的语义相似度。第十步:【增加】集j+ 1⟶j;转到第2步。步骤11:映射相关的属性的概念,建立了基于一组属性映射。本体包括概念和概念之间的映射、属性和属性,概念和属性和关系和人际关系。概念之间的映射是由相似度的计算在前一节中。同时,属性之间的映射时获得的属性之间的相似度计算。最后,本体是用于验证的规则映射的结果。

4.2.2。信息提取技术

生成的规则库的指导下本体映射集成模块,信息提取模块完成的功能从输入传感器信息抽取命名实体资源,如图1。

(1)预处理传感器采样。传感器信息的预处理主要是分词。这个词分割将传感器收集的信息划分为一个描述符的特性和位置,如温度、湿度、坐标位置和其他不同类型的特性。这个描述过程正式提供了一个浅的分析资源。分析和处理执行不同类型的传感器信息。

(2)数据存储传感器样品。预处理的结果是存储采样数据。本文采用基于RDF存储方法。这种存储方法的特点是,所有RDF三元组存储在不同的位置表,这是易于查询和查询有很强的适应性。

(3)施工规则库。本体使用域vocabulary-instance数据库作为信息检索的基础。实例数据库存储在本体文件,它将普通的传感器节点和领域词汇存储在列表中。当执行命名实体识别基于注释的样本,有必要利用规则库中的规则。在规则的指导下,命名实体识别相关本体的概念。

(4)传感器本体同构集成。在本文中,我们建议采用同构概念想法,无意中把异构环境,找到同构子上下文本体,并逐步集成大型本体。本体集成的想法如下:步骤1:本体的上下文O在无线传感器网络中,分解为本体的上下文O_我用更少的属性。步骤2:对于任何一个上下文K₁上下文中,上下文同构检查库。步骤3:传感器本体形成根据用户需求和同构晶格B(K₂)在数据库中生成B(K₁)。

最后,本文提出采用基于多政策属性联合分布映射方法将所有subontologiesB(O_我)。传感器本体B(O)。

5。实验和分析

近年来,基于本体的语义相似度的计算广泛和成功的应用于自然语言处理、信息提取、语义注释。提出了一种语义注释传感数据面向语义web框架。语义注释框架包括三个关键技术:感知数据采集技术;本体同构集成技术;和复合语义相似度的方法。

语义注释的方法在物联网传感数据如下。

5.1。基于域采样语义Preannotation传感器本体

单词和本体之间的映射的概念建立了通过分析传感器采样的功能词。抽样数据,语义的基本思想preannotating从领域本体的角度如下:步骤1:获得相关的知识领域。领域专家的联合指导下和本体的创造者,在物联网领域本体构建基于粗糙概念格模型。步骤2:提取特征词汇代表传感器的传感器采样形成一套特色词汇。第三步:样品包含这些功能词与相应的功能词。当与抽样相关联的特征词汇,加上SSN本体,RDF基于领域本体和支持向量空间模型方法(SVM)存储。最后,一个功能采样集及其语义注释表达形成。

通过这种方式,传感采样和概念映射关系建立了领域本体。因为领域本体是一个精确和详细描述的相关概念、概念的属性,以及概念之间的关系,该方法用于语义注释传感器的采样数据的属性。它不仅可以明确表达的隐含语义信息的文档也准确地把传感器样品和他们的类。与此同时,它还可以反映其语义关联相关的类别。

5.2。选择最高的本体部分语义相关性

之后基于领域本体的语义preannotation传感器样品,样品都带注释的使用本体片段。语义相关性最高的本体片段需要选择的样本文件。选择过程如下:步骤1:使用本体学习技术来寻找关键概念词汇在语境语法环境中。特性计算概念的词汇。假设一组概念 ,的信息内容P被定义为 步骤2:通过比较关键字的概念本体片段,最高的语义环境相关性为语法环境相匹配。当传统的匹配算法遇到大量的概念在本体,其定位效率相对较低。基于功能特性的方法和信息化融合后的方法,综合关联度是集成。计算的公式综合传感数据的相似性一个和b。语义传感器网络中的数据计算公式如下: 在哪里N相似度计算结果的总数,每个本体的重量,并根据相关系数可以确定当前的传感器节点。公式计算结果在同一本体和加权相似度在不同的本体。结果是一个平均值。对于不同的本体,系数是根据加工领域,调整和本体靠近无线传感器网络应给予更大的权重。这种方法介绍了IC的WSN的施工方法。特征权值和语义距离被IC。SSNs之间的相似性可以multi-ontology环境中计算。

5.3。传感器数据的语义注释

步骤1:如果关键词对应的概念是集中在同一传感器环境,匹配成功。匹配的语义环境确定语义注释参考。如果关键词对应的概念是均匀分布在多个语义上下文,匹配失败。然后,只有收缩语法环境用于查找关键词。这是多次重复匹配语义环境,直到匹配成功或收缩到最小的句法环境。上下文相关的概念相似度;设置场景K= (C_int,R)。相似的概念一个和b在本体O被定义为 的系数α是一个可调系数,用于调整重量之间的共同特征和功能的差异。的系数β是用来平衡两套不同的权重。特别是,当P是空集,最大相似度值。步骤2:在这里,有几个字高相关性作为关键词定位的语义环境。如果使用语义距离计算的方法,每一个概念和关键字之间的关系需要计算,虽然可以定位准确的语义上下文找到最高的概念匹配的关键字。然而,在传感器领域本体包含大量的概念,及其定位效率相对较低。因此,语法匹配和统计的方法是用来定位的语义环境。计算上下文相关的特性集和相似性定义如下。 在哪里D_H两个概念集和的豪斯多夫距离吗D(x,y)通过概念的信息内容是最短的距离。豪斯多夫距离可以测量两个概念集的最大不匹配。步骤3:为了提高标注的准确性,当执行语义注释,本体不仅考虑了单个实例之间的相关性和抽样数据还考虑是否实例出现在采样。同时,本体认为实例的属性和概念文档的相关性。这充分考虑语义环境采样存在。

本文设计一种基于传感器本体的语义注释框架。该框架分为四个级别:传感器数据的采集和预处理,传感器本体建设,命名实体的识别和存储语义注释结果。注释传感器数据通过这个框架可以有效地表达传感器信息的语义。本文分析和比较了该方法基于改进粗糙概念格和Sense2Web + M3操作方法。然后,Sense2Web + M3操作方法是传统的语义标注模型。数据的语义注释中起着非常重要的作用在数据处理方面。这部小说提出的方法可以有效地提高传感器信息的表达能力和数据的使用价值。

本文测试性能的本体结构和语义注释在语义Web的事情;这里的实验环境如下:使用c#编程语言,编程环境是Microsoft Visual Studio 2019;数据存储使用SQL Server 2019作为动态实时数据存储载体。硬件实验系统包括如下:处理器采用英特尔(R) (TM)核心i7 - 10700 CPU的4.8 ghz CPU频率;的内存是256克;外部内存1 tb硬盘;操作系统是windows 10。

本实验采用传感器本体查询语言的传感器采样值属性数据查询。100次,执行所有的测试和测试结果平均值的100倍,和实验比较提出了粗糙概念格语义注释方法与传统的语义标注平台,如图2。

从测试结果可以看出,本体的查询访问时间,消耗和RDF数据的变化量线性增加。当三倍的行数6个数量级,数据集的大小是2.1 GB,查询访问时间接近6 s的语义网。的能耗数据采集频率是1 s轨道,和采集节点2800年能源消耗监测实验平台。经过两个星期的感知数据。

根据收集的数据达到8000行这样的实验参数。为了说明该方法的可行性,本文模拟实验,和传感器的数字是1,2,3,4,5,6,7,8,分别。为了验证语义标注的准确性,改善粗糙概念格与Sense2Web + M3语义注释数据序列的平台。从图可以看出2的改善粗糙概念格具有明显的优势,和本体查询时间明显减少了传感器数据的应用程序和数据的智能处理可以改善。因此,智能数据的语义标注方法是可行的。

提出了一种语义注释方法基于粗糙概念格模型。包括传感器数据收集和预处理方法,集成传感器本体,命名实体识别和存储语义注释结果。本文还提出了一种集成单元本体策略的基础上,改进了粗糙概念格同构模型。为了找到相似的概念准确、合理、全面的功能和内容的语义相似度的方法,提出了有效注释命名实体资源。它促进一个更深的了解和更智能的无线传感器数据处理。

6。结论

基于本体建设的研究背景,语义相似度的计算,和语义注释从语义Web,本文全面使用正式的概念分析,可变精度粗糙集,语义相似度技术和信息提取技术来解决语义注释的关键问题。本文提出应用粗糙概念格模型的构建语义网中本体和语义注释的事情。根据本体结构基于粗糙概念格,本文的目标是获取传感器本体在语义Web。针对两个subontology对本体系统,提出了一种多策略属性联合分布的映射方法。摘要多维加权向量分析方法用于识别传感器物联网中的实体和形式语义比较规则数据库。最后,相似度计算方法的基础上,结合功能和信息内容提出了语义注释。未来的研究工作是使用大数据挖掘技术,使物联网提供个性化的智能服务(14]。

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这篇文章的出版。

确认

这项研究是由中国国家自然科学基金(61272015)和2022年河南省科学技术研究项目(建筑和智能本体在物联网中的应用基于语义概念模型)(222102210316)。