学位论文 > 优秀研究生学位论文题录展示

基于粒计算的智能搜索引擎技术研究

作　者: 张明远
导　师: 夏红霞
学　校: 武汉理工大学
专　业: 计算机应用技术
关键词: 商空间粒计算智能搜索引擎粒聚类粒统计启发式搜索
分类号: TP391.3
类　型: 硕士论文
年　份: 2010年
下　载: 127次
引　用: 0次
阅　读: 论文下载

内容摘要

随着互联网的发展与普及,搜索引擎的使用已经成为人们学习工作中获取信息的重要手段之一。因此,要提高搜索引擎的搜索效率,除了向人们普及正确的使用方法和技巧外,对搜索引擎本身的搜索原理改进也势在必行。智能搜索是人工智能中的一个重要研究领域。众所周知,人工智能所面对的问题通常是不确定的、模糊的、不完整的、海量的信息,无法便捷的找到一条常规问题求解路径,但是如果搜索问题的规模不是很大,使用盲目穷举的搜索策略在某种程度上能够发挥作用,如广度优先搜索和深度优先搜索,由于它们计算复杂度相对比较容易控制,因此被广泛应用在小规模的专家系统中。而反观实际的人工智能应用,问题的求解规模一般都非常大,可供选择的求解方案也比较多,此时仍然采用单纯的穷举搜索策略就不能解决问题了,而启发式搜索通过使用经验性的知识指导搜索的方向,克服了搜索的盲目性,提高了系统运行效率。但是目前所有的启发式搜索算法都未能克服计算量的指数爆炸问题。粒计算是专门针对人工智能中的复杂问题求解而产生的理论,属于软计算科学的一个分支,是信息处理的一种新的概念和范式,覆盖了所有有关粒度的理论、方法、技术和工具的研究,其思想实质是用简单易求、低成本的满足近似精度的解替代精确解,专门针对不精确、不完整、不确定和海量的信息来实现智能系统控制的易处理性、鲁棒性、低代价性。本文尝试将商空间粒度的原理应用到智能搜索引擎中,提出了粒聚类和粒统计启发式搜索算法,着重对数据的粒度原理与使用进行深入的剖析研究。这两种算法的关键在于运用了商空间的分层思想,也就是粒度的划分方式,基于这种划分的思想,不但减少了算法中很多不必要的操作,而且降低了运算的复杂度。在文章的最后,本文对粒聚类算法与粒统计启发式搜索算法进行了验证,实验将其应用于一个类别散乱的小型论文库中,对库中数据进行重构并在此基础上进行检索,获得了比经典算法更好的查找效果。

全文目录

摘要  4-5
Abstract  5-10
第1章绪论  10-16
  1.1 引言  10
  1.2 课题背景  10-11
  1.3 搜索引擎技术的发展现状  11-12
  1.4 国内外关于粒计算技术的发展现状  12-13
  1.5 粒计算研究的意义  13
  1.6 粒计算的学科属性  13-14
  1.7 论文研究内容  14-15
    1.7.1 研究目标  14-15
    1.7.2 研究内容  15
    1.7.3 拟解决的关键问题  15
  1.8 本章小结  15-16
第2章智能搜索技术在智能搜索引擎中的发展  16-25
  2.1 智能化搜索引擎  16-18
    2.1.1 智能型搜索引擎的逻辑模型  16-18
    2.1.2 智能化搜索引擎的优点及存在问题  18
  2.2 人工智能中的搜索技术  18-20
    2.2.1 状态空间  19-20
    2.2.2 智能搜索原理  20
  2.3 启发式搜索理论  20-22
    2.3.1 启发式信息与评价函数的构造  20-21
    2.3.2 启发式搜索算法的使用原则  21
    2.3.3 启发式估价函数的改进策略  21-22
  2.4 常见的启发式搜索算法  22-23
    2.4.1 最好优先算法  22-23
    2.4.2 统计启发式算法(SA算法)  23
  2.5 本章小结  23-25
第3章商空间粒度计算理论  25-30
  3.1 问题求解理论中的人类智能  25
  3.2 粒度问题的描述方法  25
  3.3 粒计算的研究模型  25-26
  3.4 商空间粒度原理  26-29
    3.4.1 商空间粒度的基本模型  26-27
    3.4.2 商空间中关于论域的划分  27
    3.4.3 商空间中的分层递阶思想  27-28
    3.4.4 不同粒度世界的关系变换  28-29
  3.5 商空间理论中粒度的合并与分解  29
  3.6 本章小结  29-30
第4章统计启发式搜索与商空间粒度的融合  30-37
  4.1 商空间粒度的推理模型  30-31
    4.1.1 保假原理  30
    4.1.2 保真原理  30-31
    4.1.3 保真原理与保假原理的特点  31
  4.2 基于商空间的统计启发式搜索粒结点  31-33
    4.2.1 商空间中的函数属性分析  31-32
    4.2.2 启发式搜索中的商空间模型  32-33
  4.3 启发式搜索中的统计模型  33-35
    4.3.1 搜索树的模型  33-34
    4.3.2 统计量X(n)  34-35
    4.3.3 粒度SA算法具体步骤  35
  4.4 基于粒度分解与合成技术的启发式搜索  35-36
    4.4.1 基于粒度分解技术的启发式搜索方法  36
    4.4.2 基于粒度合成技术的启发式搜索方法  36
  4.5 本章小结  36-37
第5章基于商空间的粒度聚类  37-45
  5.1 聚类的使用  37
  5.2 关于文本挖掘与Web页面挖掘  37-38
  5.3 聚类分析研究方法  38-40
    5.3.1 数据的表示方法  38-39
    5.3.2 确定聚类的相似度  39-40
  5.4 聚类的常规算法  40-41
    5.4.1 平面划分算法  40-41
    5.4.2 层次聚类算法  41
  5.5 粒聚类原理  41-42
  5.6 商空间理论中聚类论域的调整  42
  5.7 构造商空间粒度的聚类算法模型  42-44
    5.7.1 粒度聚类算法的基本思路  42-43
    5.7.2 粒度聚类算法的分析评价  43-44
  5.8 本章小结  44-45
第6章商空间粒度在搜索引擎中的应用  45-58
  6.1 问题的提出  45
  6.2 基于商空间的粒度聚类算法  45-51
    6.2.1 粒聚类实验环境  45-46
    6.2.2 粒聚类实验中个体的数据表示方法  46
    6.2.3 粒聚类算法的实施过程  46-48
    6.2.4 粒聚类实验的粒度分析  48-49
    6.2.5 粒聚类实验结果  49-51
  6.3 商空间粒度的统计启发式搜索算法  51-58
    6.3.1 粒启发式搜索中的粒度原理  51
    6.3.2 启发式信息的获取  51
    6.3.3 粒度的分解方式  51-52
    6.3.4 基于商空间粒度启发式搜索算法及伪代码描述  52-54
    6.3.5 算法性能评价  54-55
    6.3.6 实验分析  55-58
第7章总结与展望  58-60
  7.1 工作总结  58
  7.2 技术研究展望  58-60
参考文献  60-63
致谢  63-64
附录  64

基于粒计算的智能搜索引擎技术研究

内容摘要

全文目录

相似论文