| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究的目标 | 第9页 |
| 1.3 研究的主要内容 | 第9-10页 |
| 1.4 本文的组织结构 | 第10-11页 |
| 第二章 研究现状与相关技术 | 第11-21页 |
| 2.1 RDF数据推理研究现状 | 第11-13页 |
| 2.1.1 集中式RDF数据推理 | 第11页 |
| 2.1.2 分布式RDF数据并行推理 | 第11-13页 |
| 2.1.3 流式RDF数据推理 | 第13页 |
| 2.2 相关技术方法介绍 | 第13-20页 |
| 2.2.1 OWL规则 | 第13-14页 |
| 2.2.2 Apache Hadoop | 第14页 |
| 2.2.3 MapReduce | 第14-15页 |
| 2.2.4 Apache Spark | 第15-17页 |
| 2.2.5 Spark Streaming | 第17-19页 |
| 2.2.6 Redis | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 基于Spark的分布式并行推理算法 | 第21-34页 |
| 3.1 引言 | 第21页 |
| 3.2 总体思想与预定义 | 第21-23页 |
| 3.3 DPRS算法过程 | 第23-28页 |
| 3.3.1 加载模式三元组与构建规则标记模型 | 第23-24页 |
| 3.3.2 Map阶段 | 第24-26页 |
| 3.3.3 Reduce阶段 | 第26-28页 |
| 3.3.4 删除重复三元组和冲突集更新策略 | 第28页 |
| 3.4 DPRS算法的复杂度与完备性 | 第28-29页 |
| 3.5 实验分析 | 第29-33页 |
| 3.5.1 实验环境 | 第29页 |
| 3.5.2 实验结果与分析 | 第29-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 流式RDF数据并行推理算法 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 总体思想与预定义 | 第34-37页 |
| 4.3 PRAS算法过程 | 第37-43页 |
| 4.3.1 加载OWL Horst规则和RDF本体数据 | 第37-38页 |
| 4.3.2 Map阶段:数据归类与推理 | 第38-42页 |
| 4.3.3 Reduce阶段:去重和存储 | 第42-43页 |
| 4.4 PRAS算法的复杂度与完备性 | 第43-44页 |
| 4.5 实验结果与分析 | 第44-47页 |
| 4.5.1 实验环境 | 第44页 |
| 4.5.2 实验结果与分析 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 基于增量的微激光装备故障案例推理 | 第48-61页 |
| 5.1 项目背景与意义 | 第48页 |
| 5.2 项目简介 | 第48页 |
| 5.3 项目架构设计 | 第48-51页 |
| 5.3.1 硬件架构 | 第48-50页 |
| 5.3.2 软件架构 | 第50-51页 |
| 5.4 系统设计 | 第51-52页 |
| 5.5 装备故障案例知识库构建 | 第52-57页 |
| 5.6 系统实现与测试 | 第57-60页 |
| 5.7 本章小结 | 第60-61页 |
| 总结与展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 个人简历 | 第67-68页 |
| 在学期间的研究成果及发表的学术论文 | 第68页 |