| 致谢 | 第9-10页 |
| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第19-27页 |
| 1.1 研究背景 | 第19-20页 |
| 1.2 研究现状及问题分析 | 第20-24页 |
| 1.2.1 国内外研究现状 | 第20-22页 |
| 1.2.2 现有研究评析 | 第22-24页 |
| 1.3 主要研究内容 | 第24-25页 |
| 1.4 论文结构 | 第25-27页 |
| 第二章 相关研究 | 第27-41页 |
| 2.1 知识集成 | 第27-30页 |
| 2.1.1 概述 | 第27-28页 |
| 2.1.2 知识集成流程 | 第28页 |
| 2.1.3 知识集成模式 | 第28-29页 |
| 2.1.4 知识集成技术 | 第29-30页 |
| 2.2 本体 | 第30-35页 |
| 2.2.1 概述 | 第30-31页 |
| 2.2.2 本体描述语言 | 第31-33页 |
| 2.2.3 本体在农业中的应用 | 第33-35页 |
| 2.3 案例推理 | 第35-40页 |
| 2.3.1 概述 | 第35-36页 |
| 2.3.2 案例表示 | 第36-37页 |
| 2.3.3 CBR决策系统优缺点 | 第37-38页 |
| 2.3.4 本体与CBR结合 | 第38-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 基于本体的农作物病虫害知识集成 | 第41-66页 |
| 3.1 基于本体的农作物病虫害知识集成模型 | 第41-44页 |
| 3.1.1 基于本体的农作物病虫害知识集成方法 | 第41-42页 |
| 3.1.2 基于本体的农作物病虫害知识集成模型 | 第42-44页 |
| 3.2 农作物病虫害知识本体构建 | 第44-52页 |
| 3.2.1 农作物病虫害本体构建方法 | 第44-45页 |
| 3.2.2 农作物病虫害知识体系 | 第45-47页 |
| 3.2.3 农作物病虫害知识本体模型构建 | 第47-51页 |
| 3.2.4 基于XML的农作物病虫害本体知识表示 | 第51-52页 |
| 3.3 农作物病虫害知识本体映射 | 第52-58页 |
| 3.3.1 本体映射概述 | 第52-53页 |
| 3.3.2 本体映射计算方法 | 第53-58页 |
| 3.4 基于语义的病虫害本体演化一致性校验 | 第58-65页 |
| 3.4.1 本体一致性 | 第58-59页 |
| 3.4.2 Tableaux算法原理 | 第59-60页 |
| 3.4.3 基于模块提取的本体演化框架 | 第60-61页 |
| 3.4.4 本体增量一致性校验流程 | 第61页 |
| 3.4.5 面向本体演化的语义一致性校验模块 | 第61-62页 |
| 3.4.6 本体一致性校验语义模块提取算法 | 第62-63页 |
| 3.4.7 面向本体增量的茶虫害知识本体一致性检验 | 第63-65页 |
| 3.5 本章小结 | 第65-66页 |
| 第四章 基于本体的农作物病虫害案例表示 | 第66-85页 |
| 4.1 SWR & Fuzzy L本体描述语言 | 第66-71页 |
| 4.1.1 模糊本体 | 第66-67页 |
| 4.1.2 SWR & Fuzzy L类的扩展 | 第67-69页 |
| 4.1.3 SWR & Fuzzy L的属性扩展 | 第69-70页 |
| 4.1.4 SWR & Fuzzy L事实的扩展 | 第70-71页 |
| 4.2 病虫害案例本体知识模型 | 第71-74页 |
| 4.3 病虫害案例构建 | 第74-78页 |
| 4.3.1 案例表示方法 | 第74-75页 |
| 4.3.2 基于XML与SWR & Fuzzy L的案例库存储 | 第75-78页 |
| 4.4 病虫害本体案例库获取 | 第78-84页 |
| 4.4.1 结构化案例库向OWL本体映射算法 | 第78-80页 |
| 4.4.2 算法实现 | 第80-84页 |
| 4.5 本章小结 | 第84-85页 |
| 第五章 基于本体的案例检索 | 第85-104页 |
| 5.1 案例检索策略与流程 | 第85-86页 |
| 5.1.1 案例检索流程 | 第85页 |
| 5.1.2 案例检索策略 | 第85-86页 |
| 5.2 案例特征识别及权重确定 | 第86-87页 |
| 5.2.1 案例特征识别 | 第86页 |
| 5.2.2 案例特征属性权值计算方法 | 第86-87页 |
| 5.3 基于SVM的案例推理特征约简方法 | 第87-94页 |
| 5.3.1 CBR特征约简方法 | 第87-88页 |
| 5.3.2 SVM概述 | 第88-89页 |
| 5.3.3 自适应支持向量机算法 | 第89-90页 |
| 5.3.4 基于α-SVM的案例推理特征约简方法 | 第90-91页 |
| 5.3.5 算法应用与验证 | 第91-94页 |
| 5.4 基于核矩阵的案例相似度方法 | 第94-100页 |
| 5.4.1 案例相似度计算方法概述 | 第94-96页 |
| 5.4.2 基于矩阵迭代的学习方法 | 第96-97页 |
| 5.4.3 算法应用与验证 | 第97-100页 |
| 5.5 基于本体的案例检索 | 第100-102页 |
| 5.6 本章小结 | 第102-104页 |
| 第六章 基于CBR-Onlogy的病虫害防控决策支持系统 | 第104-117页 |
| 6.1 基于CBR-Onlogy的病虫害防控决策模型 | 第104-105页 |
| 6.2 推理引擎框架 | 第105-109页 |
| 6.2.1 知识推理 | 第105-106页 |
| 6.2.2 推理引擎框架 | 第106页 |
| 6.2.3 SWR & Fuzzy L到相关描述逻辑语法的映射 | 第106-107页 |
| 6.2.4 基于相关逻辑的病虫害案例推理 | 第107-109页 |
| 6.3 原型系统实现 | 第109-115页 |
| 6.3.1 农作物病虫害知识服务 | 第110页 |
| 6.3.3 农作物病虫害长中短期预测 | 第110-115页 |
| 6.3.4 病虫害诊断与防治 | 第115页 |
| 6.4 本章小结 | 第115-117页 |
| 第七章 总结与展望 | 第117-120页 |
| 7.1 总结 | 第117-119页 |
| 7.2 工作展望 | 第119-120页 |
| 参考文献 | 第120-128页 |
| 攻读博士学位期间的学术活动及成果情况 | 第128-129页 |
