基于表象式语义网络的图匹配算法

吉林大学学报(工学版)

基于表象式语义网络的图匹配算法

赵宏伟¹，张海龙¹，刘萍萍¹，王慧¹，徐震宇²

1.吉林大学计算机科学与技术学院，长春 130012; 2.吉林大学机械科学与工程学院，长春 130022

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-03-01 发布日期:2008-03-01
通讯作者: 张海龙

Algorithm of graph matching based on mental imagery semantic nets

Zhao Hong-wei, Zhang Hai-long，Liu Ping-ping，Wang Hui, Xu Zheng-yu2

1.College of Computer Science and Technology, Jilin University,Changchun 130012,China; 2.College of Mechanical Science and Engineering, Jilin University, Changchun 130022, China

Received:1900-01-01 Revised:1900-01-01 Online:2008-03-01 Published:2008-03-01
Contact: Zhang Hai-long

摘要/Abstract

摘要： 提出了一种在表象式语义网络中的查找方法，表象式语义网络问题的求解一般都是通过图匹配实现的，首先根据待求解的问题的要求构造一个带变量节点的语义网络，然后与计算机视觉系统中己存储的语义网络进行图匹配。当语义网络中的询问部分与系统中的语义网络图匹配后，则与询问部分匹配的事实就是问题的解。图匹配问题可以通过构造一个图的附属数据结构来完成，这个附属数据结构也称为相连图(association graph),对于两个图G=(V,A)以及G′=(V′，A′)，构造相联图G″=(V″，A″)，也就是说，V″是所有可能节点匹配对的集合，A″是所有相容节点匹配的集合。这相当于在相联图中寻求一个最大的基团(clique)，其中基团定义为G″的完全连通的一个子图。最大基团满足其节点集合不是任何其他基团节点集的适当子集。

关键词: 人工智能, 表象, 语义网络, 图匹配

Abstract: A new method for searching mental imagery in semantic nets is proposed. The problems of semantic nets of mental imagery are generally solved by graph matching. First a semantic net with variable nodes is constructed in accordance with the requirements of the problem to be solved. Then the graph matching algorithm is employed to match the already existed semantic nets of computer vision system. The enquiry part of the subsemantic network is the solution if it matches the semantic network graph successfully. The problem of map matching can be resolved by the construction of a data structure of associate graph. For two graphs, G=(V, A) and G′=(V′,A′), we can construct an associate graph G″=(V″,A″), in which V″ is of all possible matching set nodes, and A″ is of all compatible matching set nodes. It is equivalent to find a maximum clique in the associate graphs, clique is defined as a completely connected subgraph of Equates G″. The largest clique meets the criterion that its node sets are not of approximate subsets of any other clique.

Key words: artificial intelligence, mental imagery, semantic nets, graph matching

中图分类号:

TP391.3

赵宏伟，张海龙，刘萍萍，王慧，徐震宇 . 基于表象式语义网络的图匹配算法[J]. 吉林大学学报(工学版), 2008, 38(增刊): 145-0149.

Zhao Hong-wei, Zhang Hai-long，Liu Ping-ping，Wang Hui, Xu Zheng-yu2 . Algorithm of graph matching based on mental imagery semantic nets[J]. 吉林大学学报(工学版), 2008, 38(增刊): 145-0149.

参考文献

相关文章 15

[1]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[2]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[3]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[4]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[5]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[6]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[7]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[8]	王旭, 欧阳继红, 陈桂芬. 基于多重序列所有公共子序列的启发式算法度量多图的相似度[J]. 吉林大学学报(工学版), 2018, 48(2): 526-532.
[9]	杨欣, 夏斯军, 刘冬雪, 费树岷, 胡银记. 跟踪-学习-检测框架下改进加速梯度的目标跟踪[J]. 吉林大学学报(工学版), 2018, 48(2): 533-538.
[10]	刘雪娟, 袁家斌, 许娟, 段博佳. 量子k-means算法[J]. 吉林大学学报(工学版), 2018, 48(2): 539-544.
[11]	曲慧雁, 赵伟, 秦爱红. 基于优化算子的快速碰撞检测算法[J]. 吉林大学学报(工学版), 2017, 47(5): 1598-1603.
[12]	李嘉菲, 孙小玉. 基于谱分解的不确定数据聚类方法[J]. 吉林大学学报(工学版), 2017, 47(5): 1604-1611.
[13]	邵克勇, 陈丰, 王婷婷, 王季驰, 周立朋. 无平衡点分数阶混沌系统全状态自适应控制[J]. 吉林大学学报(工学版), 2017, 47(4): 1225-1230.
[14]	王生生, 王创峰, 谷方明. OPRA方向关系网络的时空推理[J]. 吉林大学学报(工学版), 2017, 47(4): 1238-1243.
[15]	马淼, 李贻斌. 基于多级图像序列和卷积神经网络的人体行为识别[J]. 吉林大学学报(工学版), 2017, 47(4): 1244-1252.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed