面向设计意图的STEP知识图谱关键技术研究

发布时间：2021-07-21 11:44

　　针对产品信息交换中设计意图语义挖掘需求,以STEP AP242为基础,构建产品三维几何信息与非几何信息语义关联的STEP知识图谱,实现STEP设计意图提取和交换.重点研究了STEP知识图谱语义模型构建、面向知识图谱构建的STEP知识提取以及基于知识图谱的STEP知识推理等关键技术;提出了面向设计意图的语义元模型、基于增强学习的多语义特征知识提取及其规则挖掘和路径推理技术,有效弥补了传统本体规则定义和推理方法的缺陷;最后结合实例论证可行性. 

【文章来源】：小型微型计算机系统. 2020,41(03)北大核心CSCD

【文章页数】：8 页

【部分图文】：

知识图谱体系结构

STEP产品数据至增强学习的映射由两个步骤组成．首先提取STEP文件中的知识与产品信息语义元映射，再基于语义元节点构成的图结构提取整合语义元中相关信息和马尔可夫决策模型进行映射，图2为产品数据信息至增强学习映射的示意图．2)改进Q-learning算法

其中，-k为斜率表示ε变化的快慢，x为自变量，智能体每找到一次目标点，自变量x自增1,b为常数，取1．例如取k=0.02，在探索的初期，智能体并没有找到目标点，自变量x=0，这时参数ε取到最大值1，即智能体以1的概率随机选择动作与环境交互，最大限度的提高了智能体发现目标点的概率，而随着发现目标点次数的增加，智能体随机选择动作的概率逐渐降低，最后智能体会倾向于快速收敛Q值完成学习．本文在相同的环境下对常数，阶跃函数和一次函数模拟参数ε变化进行多跳模拟实验，实验结果如图3所示．由实验结果可以看出，随着推理路径长度的增加，阶跃函数和一次函数拟参数ε变化收敛的效果较好．本文在后续的推理中采用效果较好的一次函数动态模拟参数ε变化有效解决经典ε-greedy策略收敛慢的问题．

【参考文献】：
期刊论文
[1]知识图谱学习和推理研究进展[J]. 吴运兵,杨帆,赖国华,林开标.  小型微型计算机系统. 2016(09)
[2]本体映射中元素名称相似度计算方法研究[J]. 孙煜飞,马良荔,郭晓明,苏凯.  小型微型计算机系统. 2015(09)
[3]语义网格环境下虚拟组织异构产品信息的语义在线重组技术[J]. 简琤峰.  中国机械工程. 2011(01)



本文编号：3294962