导读:本文包含了并行推理论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:本体,分布式,语义,算法,模型,规则,概率。
并行推理论文文献综述
郑良[1]（2019）在《直觉与逻辑并行 推理与运算共进——两道质检题引发的思考》一文中研究指出文章以两道安徽省宿州市高二质检题为载体,呈现学生的答题情况和教师的教学情况,分析学生的错误成因,同时针对教与学的现状,结合教学实践给出教学思考.(本文来源于《中学教研(数学)》期刊2019年07期）
徐晨炜[2]（2018）在《概率图模型推理算法及其并行化研究》一文中研究指出由于概率图模型推断和学习已广泛应用于计算机视觉、自然语言处理、语音识别、生物信息学等研究领域的最新成果中,已成为学术界和工业界的研究热点。另一方面,由于概率图模型规模的不断扩大,推理算法的时间呈现指数级增加。如何提高概率图模型推理算法的速度已成为概率图模型领域的一个重要研究方向。近年来,图形处理器GPU的通用计算技术得到了迅速的发展。GPU由于其强大的并行计算能力、高吞吐量等优势已经成为高性能计算领域的主流计算平台。基于以上形势,对现有的基于并行化加速算法进行了充分研究后,本文借鉴了将推理算法建立在矩阵化计算的思想,并运用CUDA计算框架实现了基于GPU的概率图模型推理算法的并行加速。本文主要针对概率图模型推理算法中的精确推理算法做并行化问题研究。首先,深入研究了概率图模型,重点研究了精确推理算法,寻找这些算法中可供并行计算的步骤。然后,为适应CUDA GPU并行计算框架,分析精确推理相关算法,对和积消息传递部分和无依赖关系的节点对做出并行化改进。提出了基于GPU的概率图模型推理算法节点级并行化和拓扑级并行化。最后,分别对基于GPU的概率图模型推理算法节点级并行化和拓扑级并行化进行实验检测,将其与CPU上的串行算法进行对比,并分析了实验结果,说明了算法的有效性。(本文来源于《东南大学》期刊2018-06-07）
付道迅[3]（2017）在《OWL本体并行推理》一文中研究指出本体推理是知识图谱应用研究的核心内容。近年来,随着语义网的提出和语义技术的进一步发展,本体推理越来越受到科研人员和工业界的重视。特别是本体推理中的合取查询应答(Conjunctive Query Answering,CQA)任务。在现有的解决查询应答主流推理算法中,伴有推理效率不高且不能够保证结果的正确性和完备性的弊端。因此,如何高效的在大规模OWL本体上解决推理问题,成为一个具有挑战性的工作。本文针对OWL本体提出了面向合取查询应答的分布式查询方案。通过线下物化标准化模型的方法,能够高效解决大规模OWL本体推理问题。在分布式查询方案中,首先求取知识库的标准化模型,即U_k模型。语义上,就是对ABox的扩充,即通过增加额外的实例名标签的方式。其次对U_k模型进行优化,通过分析规则之间的内在关联合理分配并发数以及执行顺序实现从串行到并行的更加高效的转变。接着提出模型有限化方案,由于标准化模型往往是无限大的,因此还需要解决的技术问题就是,对于任意给定的查询,应先求取其步长,用查询的步长以限定模型的无线增长将其有限化。然后将标准推理任务中的合取查询用SPARQL形式化表示,把RDF数据图中的每个顶点都看作是可执行计算的最小单元,并且将整个RDF图映射成可互相传递消息的顶点集合,充分利用图的特性,使用消息传递的方式逐步完善查询图,逐渐减少变量数量。最后利用gStoreD、RDF-3X、TriAD等查询引擎求解其解集,最终得到查询结果。本文设计的实验从查询性能以及结果的正确性和完备性两个角度加以验证和评价,相较于查询改写思路性能有明显的提升,而相较于简单物化思路也能够保证对于任意的Benchmark上的标准化查询都能够得出正确完备的解集。综上所述,基于线下的标准化模型物化方法,能够有效的改善推理效率以及提高结果的正确性和完备性。为本体推理提供新的解决思路。也说明了本文对进一步完善知识图谱并解决推理问题具有一定的理论和实践意义。(本文来源于《天津大学》期刊2017-12-01）
赵慧含,刘鹏[4]（2018）在《基于Spark的OWL语义规则并行化推理算法》一文中研究指出随着语义网的快速发展,语义数据也高速增长,传统单机推理系统无法满足推理需求,而已有的并行推理算法在推理完备性和稳定性上存在明显不足。为此提出的基于Spark的并行推理算法(PROS)从以下叁点进行了优化:通过分析OWL Horst规则依赖关系,结合数据的分类结果将规则分为四类;四类规则分别设计了区域最优的规则执行顺序,进一步提高了并行推理的执行效率;将same As规则考虑到迭代中,显着提高了算法的推理能力。实验结果表明,相比已有并行推理算法,PROS并行推理算法在保证推理完备性和稳定性上表现更加出色,推理效率亦有小幅提高;同时PROS相比单机推理算法大大缩短了推理时间,处理大规模数据展现出了优良的并行扩展性。(本文来源于《计算机应用研究》期刊2018年04期）
叶怡新[5]（2017）在《分布式RDF数据并行推理方法研究与实现》一文中研究指出RDF是标记万维网语言的技术规范,能够丰富地表达和描述网络资源的结构与内容。语义万维网中的RDF和OWL标准已在各个领域有着广泛的应用,如医疗健康和生命科学,电子交易市场,地理空间分析等。在海量数据快速增长情况下,研究高效可扩展的大规模RDF数据分布式并行推理方法,发现其中的隐含信息己成为一个亟待解决的问题。本文主要研究固定数据集以及流式数据的分布式并行推理解决方案,结合Spark分布式平台以及MapReduce计算框架,进行递进层次研究,提出了新的RDF数据并行推理算法和流式RDF数据并行推理算法。最后将分布式RDF数据并行推理方法研究应用于实际项目中。论文的主要研究内容如下:首先,本文提出了 DPRS(Distributed parallel reasoning algorithm based on Spark)算法。该算法针对固定数据集,首先根据RDF本体数据构建模式叁元组对应的alpha寄存器并广播到集群各节点;预先对规则能够被激活做出判断并标记,仅对可激活的规则进行推理,从而在一次的MapReduce任务实现多条规则的分布式并行推理;最后,实时地删除重复叁元组以及更新冲突集数据到相应的寄存器中,进一步提高后续迭代推理的效率。通过大规模RDF数据集的实验验证了本算法能够高效正确地实现并行推理。接着,针对DPRS算法处理实时的流数据推理效率低下问题,本文提出了流式 RDF 数据并行推理算法 PRAS(Parallel Reasoning Algorithm for Streaming RDF Data)算法。该算法首先结合OWL Horst规则和RDF本体文件,构建规则的伪双向网络;新数据添加将触发OWL Horst规则推理,算法加载新添加数据及前次推理产生的数据,结合MapReduce计算框架和伪双向网络架构实现流式的推理;对推理产生的叁元组去重并且保存于Redis集群,以便作为下次推理输入的数据,从而提高了流式推理的效率和完整性。实验表明PRAS算法相比于DPRS算法能够在Spark平台和Redis集群中更高效地实现大规模流式数据的并行推理。最后,本文将分布式RDF数据并行推理方法研究运用于优化某部队的微激光装备远程故障诊断系统。首先使用本体构建方法并结合项目中故障案例数据库构造微激光装备故障本体文件,并将历史故障数据转换为RDF数据,然后结合本文提出的分布式流式推理算法实现云端微激光装备故障案例的增量推理功能。论文提出的针对固定数据集和流式数据的分布式RDF数据并行推理方法,对于海量数据的OWL Horst规则推理具有良好的借鉴意义。(本文来源于《福州大学》期刊2017-02-01）
吴自勉[6]（2016）在《OWL 2 EL并行推理技术研究》一文中研究指出OWL 2 EL是OWL 2一个易处理的子集。近年来,EL因其充分的表达能力以及较低的计算复杂度,越来越受到科研人员和工业界的重视。本体推理技术在多项EL应用中都起到了非常重要的作用,特别是本体推理中的分类任务,即计算本体中概念之间的层次包含关系,更是EL本体推理技术的核心。在现有的针对EL的推理机和推理算法中,串行推理机CEL在处理较大规模本体时表现不佳；基于Java并发技术的ELK推理机受限于单台机器内存容量;基于MapReduce模型的并行推理算法则因为大量的冗余计算以及具体计算框架的I/O开销而效率低下。为了克服以上推理机和推理算法的缺点,本文提出了一种基于Pregel模型的方法来做EL并行推理,具体分为如下几点内容：(1)提出了将一个EL本体转为有向标定图的方法,并证明了一个EL本体与其对应的图表示在语义上的等价性。提出了基于图的EL本体推理基本算法,并证明了该算法在多项式时间内终止,且算法是正确和完备的。(2)在EL本体的图表示以及基于图的EL本体推理基本算法的基础上,提出了两个基于Pregel模型的并行推理算法来完成EL本体上的分类任务,并证明了两个并行推理算法的终止性、正确性和完备性。其中一个算法采用了请求-应答方法,另一个算法采用了推送方法。请求-应答方法和推送方法都可以有效地解决顶点上边信息不足问题。(3)实现了本文提出的两个并行推理算法,并在大规模本体上进行了实验。实验结果表明本文提出的两个并行推理算法有较高的推理效率和良好的加速比。还通过实验讨论了影响推理时间的因素。(本文来源于《东南大学》期刊2016-06-01）
王善永[7]（2016）在《大规模并行化语义规则后向链推理技术研究与实现》一文中研究指出近年来,语义数据快速增长,适合于处理静态语义数据的前向链语义推理算法面对快速增长的数据,逐渐暴露出缺陷。前向链语义推理为了维持推理结果的完整性,每次数据更新都需要重新推理,效率十分低下。因此,对数据更新不敏感的后向链语义推理开始成为新的研究方向。后向链语义推理由查询目标驱动,在查询时根据规则集推理出查询结果。后向链语义推理算法比前向链复杂,并且推理发生在查询时,因此推理查询比单纯查询的时间开销要大不少,这是阻碍后向链语义推理走向实用的最大障碍。现有的后向链语义推理系统大多处于RDF存储与查询系统的一个子功能的地位,推理能力相对较弱。后向链语义推理的推理过程复杂、规则扩展深度大、难以并行化等特点,导致它在大规模语义数据上做推理存在着效率较低和扩展性较差等多方面的不足和缺陷。本文立足于已有的后向链推理技术,详细分析了语义推理规则集的特点,并结合当前最流行的大数据处理平台,设计了一套较为高效并且可扩展的大规模并行化语义规则后向链推理系统。本文的主要研究工作分为以下几个部分:首先,本文详细分析了后向链语义推理的过程及各阶段对语义数据的依赖,设计了本体数据闭包计算与实时推理相分离的计算策略。语义数据不同于一般的万维网数据,语义数据带有针对特定领域开发的领域本体,这些本体数据描述了领域内各种概念之间的关系,是一类相对稳定并且规模较小的数据,而日益增长的知识属于语义数据中的实例数据。在应用规则推导隐式知识时,所有有效规则都至少包含了一条本体数据作为输入,所以在后向链语义推理的逆向推理(规则扩展)过程中,本体推理模式会频繁地出现,甚至会重复性地出现,因而,其时间开销在整个后向链推理中占据很大比例。本文采用预计算本体数据闭包并将其在计算节点间共享的方法,使得本体推理模式在实时的推理阶段不需要被重复计算,因而能够降低实时推理的时间开销。其次,在后向链语义推理的逆向推理、查询、正向推理叁个阶段分别设计了优化措施,进一步提高了后向链语义推理的效率。在逆向推理阶段,根据推理模式在不同层次间的数据依赖关系,尽早剪除无效推理分支;根据相互依赖的多个模式的复杂度,选择最优的推理次序。在查询阶段,设计了多表索引,并通过使用Pre-shuffle技术使得全局扫描可以跳过无关数据块,提高了查询速度。在正向推理阶段,为完全推理模式设计了绑定传播和自由变量两种优化方法;针对冗余结果的推导进行了优化,减少了重复计算和冗余结果;针对连接操作也进行了优化,减少了磁盘的读写次数和网络通信开销。最后,设计并实现了基于Spark平台的大规模分布式RDFS/OWL后向链语义推理系统。Spark是当前最流行的大数据计算平台之一,具有容错性好、可扩展性高、部署简单等优点,基于Spark的实现具有很强的通用性。实验数据显示,本文提出的RDFS/OWL后向链语义推理系统在合成数据集LUBM和真实数据集DBpedia上,都表现出了良好的推理性能,在亿条叁元组上的推理开销是几秒到几十秒,并且表现出了良好的数据可扩展性和节点可扩展性。(本文来源于《南京大学》期刊2016-05-20）
李李[8]（2016）在《论基于模糊Petri网的并行推理》一文中研究指出随着模糊Petri网理论及应用技术的不断成熟,利用模糊Petri网相关理论来知识推理研究成为一种较常见的方法。本文对基于模糊Petri网的并行推理的概念界定及研究意义、国内外研究现状、主要研究内容及研究成果进行了详细论述。(本文来源于《电脑知识与技术》期刊2016年09期）
汪璟玢,郑翠春[9]（2016）在《结合Rete的RDF数据分布式并行推理算法》一文中研究指出现有的资源描述框架(RDF)数据分布式并行推理算法大多需要启动多个MapReduce任务,但有些算法对于含有实例叁元组前件的RDFS/OWL规则的推理效率低下,整体推理效率不高.针对此问题,文中提出结合Rete的RDF数据分布式并行推理算法(DRRM).首先结合RDF数据本体,构建模式叁元组列表和规则标记模型.在RDFS/OWL推理阶段,结合MapReduce实现Rete算法中的alpha阶段和beta阶段.然后对推理结果进行去重处理,完成一次RDFS/OWL全部规则推理.实验表明,文中算法能高效正确地实现大规模数据的并行推理.(本文来源于《模式识别与人工智能》期刊2016年05期）
郑翠春[10]（2016）在《海量RDF数据分布式并行推理方法研究》一文中研究指出RDF(Resource Description Framework)是由 WWW 提出的对万维网(World Wide Web)上信息进行描述的一个框架。随着语义Web技术的迅速发展,RDF数据格式应用在生物信息学、地理信息系统、一般知识等多个领域。在海量数据压力下,如何研究高效的大规模RDF数据分布式并行推理方法,发现其中的隐含信息已成为一个亟待解决的问题。本文主要研究海量RDF数据的分布式并行推理方案,结合Hadoop分布式平台中的MapReduce计算框架,从不同角度提出了叁种并行推理方案。首先,本文提出一种适合于RDF数据的分布式并行语义编码算法SCOM(Semantic Coding with Ontology on MapReduce),结合数据编码实现 RDFS 规则的并行推理。SCOM算法结合本体文件,构建类关系和属性关系模型,在MapReduce计算框架下对RDF数据进行无损的语义压缩,生成带有语义信息且具有规律性的编码,并使之完成针对RDFS规则的分布式并行推理。其次,针对SCOM算法只能完成RDFS规则推理的缺陷,对现有的集中式的Rete算法进行扩展,将其应用在分布式环境下实现RDFS/OWL规则的并行推理,提出了 DRRM(Distributed parallel Reasoning algorithm with Rete on MapReduce)算法。DRRM算法通过RDF数据本体,构建模式叁元组列表和规则标记模型,结合MapReduce计算框架完成Rete算法中alpha阶段和beta阶段的构建,从而实现在一个Job任务中并行地完成一次RDFS/OWL全部规则推理。接着,根据DRRM算法受限于集群内存的缺点,提出了一种新的RDFS/OWL规则的高效并行推理算法 SPRM(Semantic information Parallel Reasoning on MapReduce)。该算法对RDFS/OWL规则进行分类,依据RDF数据本体,结合RDFS/OWL规则构建传递闭包关系矩阵和连接变量信息;然后根据传递闭包关系矩阵和连接变量的类型,分类型生成规则标记,从而高效地过滤无用的数据;再根据规则的分类,分别设计不同类型规则的推理方案,并结合MapReduce计算框架并行地完成RDFS/OWL规则的推理。最后本文通过对比实验验证了 SCOM算法、DRRM算法、SPRM算法相对于现有的RDF数据分布式并行推理算法在大数据量的情况下推理效率均较高。同时,验证了 SPRM算法产生的中间结果和重复叁元组数据远远少于DRRM算法,SPRM算法执行RDFS/OWL规则并行推理的效率比DRRM算法更高。(本文来源于《福州大学》期刊2016-01-01）
并行推理论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于概率图模型推断和学习已广泛应用于计算机视觉、自然语言处理、语音识别、生物信息学等研究领域的最新成果中,已成为学术界和工业界的研究热点。另一方面,由于概率图模型规模的不断扩大,推理算法的时间呈现指数级增加。如何提高概率图模型推理算法的速度已成为概率图模型领域的一个重要研究方向。近年来,图形处理器GPU的通用计算技术得到了迅速的发展。GPU由于其强大的并行计算能力、高吞吐量等优势已经成为高性能计算领域的主流计算平台。基于以上形势,对现有的基于并行化加速算法进行了充分研究后,本文借鉴了将推理算法建立在矩阵化计算的思想,并运用CUDA计算框架实现了基于GPU的概率图模型推理算法的并行加速。本文主要针对概率图模型推理算法中的精确推理算法做并行化问题研究。首先,深入研究了概率图模型,重点研究了精确推理算法,寻找这些算法中可供并行计算的步骤。然后,为适应CUDA GPU并行计算框架,分析精确推理相关算法,对和积消息传递部分和无依赖关系的节点对做出并行化改进。提出了基于GPU的概率图模型推理算法节点级并行化和拓扑级并行化。最后,分别对基于GPU的概率图模型推理算法节点级并行化和拓扑级并行化进行实验检测,将其与CPU上的串行算法进行对比,并分析了实验结果,说明了算法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
并行推理论文参考文献
[1].郑良.直觉与逻辑并行推理与运算共进——两道质检题引发的思考[J].中学教研(数学).2019
[2].徐晨炜.概率图模型推理算法及其并行化研究[D].东南大学.2018
[3].付道迅.OWL本体并行推理[D].天津大学.2017
[4].赵慧含,刘鹏.基于Spark的OWL语义规则并行化推理算法[J].计算机应用研究.2018
[5].叶怡新.分布式RDF数据并行推理方法研究与实现[D].福州大学.2017
[6].吴自勉.OWL2EL并行推理技术研究[D].东南大学.2016
[7].王善永.大规模并行化语义规则后向链推理技术研究与实现[D].南京大学.2016
[8].李李.论基于模糊Petri网的并行推理[J].电脑知识与技术.2016
[9].汪璟玢,郑翠春.结合Rete的RDF数据分布式并行推理算法[J].模式识别与人工智能.2016
[10].郑翠春.海量RDF数据分布式并行推理方法研究[D].福州大学.2016
论文知识图
