基于神经网络的异构数据库语义集成的研究

摘要

随着IT业的飞速发展，在交通局内部已经建立了许多管理信息系统，积累了大量的历史数据。但随着人们对信息综合利用需求的进一步提高，这些简单的信息管理形成了一个个信息孤岛，彼此之间很难达到信息共享。因此，如何将各个异构的数据源集到一起，成为首要解决的问题。
　　 本文的课题背景来源于大连市交通局数据中心建设。数据库的异构性主要体现在两方面：一方面是数据库管理系统的差异；另一方面是语义的异构。异构数据库集成的关键问题就是解决语义集成问题，就是要找出异构数据库间相同的属性，即属性匹配问题。本文首先全面地综述了现有异构数据库语义集成技术，并对目前方法的特点和不足之处进行了研究，分析了将神经网络理论引入异构数据库语义集成领域中解决属性匹配问题的可行性；然后给出了基于神经网络的异构数据库语义集成过程：从数据库中抽取属性的特征向量，涉及内容包括数据模式和数据内容统计，并将属性信息特征向量进行归一化；然后建立SOM网络模型，将属性特征向量进行分类；最后建立BP属性匹配模型，通过对样本数据进行训练从而形成学习规则，用于异构数据库之间的语义匹配；并针对BP算法具有收敛速度慢、易于陷入极小值的缺陷，以及粒子群算法具有早熟收敛的现象，本文利用生物界中当种群密度过大时就会自动分家的思想，提出了一种基于改进的粒子群优化BP网络算法，并在具体应用环境中的数据库上进行了实验，实验结果证明该方法能明显提高属性匹配的准确率，降低神经网络的训练时间。
　　 本文构建了基于神经网络的异构数据库语义集成系统。并针对BP神经网络的匹配算法的不足，提出了改进的BP属性匹配算法，在实际应用的数据库上进行了实验，并取得了理想的效果。

目录

文摘

英文文摘

声明

绪论

1.1研究背景

1.2 国内外研究现状

1.2.1 传统的数据集成方法

1.2.2异构数据库的语义集成方法

1.3本文的主要内容

2异构数据库的语义集成相关技术

2.1 异构数据库的语义集成

2.2异构数据库的语义集成框架

2.3异构数据库语义集成的步骤

2.4异构数据库集成的属性匹配方法

2.4.1 比较属性名的方法

2.4.2 比较属性的模式信息的方法

2.4.3 比较属性值的方法

2.5神经网络

2.5.1 概述

2.5.2神经网络解决语义匹配问题的可行性

2.6基于神经网络的语义集成过程

3属性信息的提取与归一化

3.1属性信息

3.1.1 模式信息

3.1.2数据内容统计

3.1.3其他的控制信息

3.2属性信息的指标体系

3.3属性信息的提取

3.4属性信息的归一化

4基于SOM网的语义分类模型的研究

4.1语义分类的必要性

4.2语义分类模型结构

4.3 SOM模型研究

4.3.1 竞争学习

4.3.2 SOM网络的拓扑结构和权值调整域

4.3.3 SOM网的运行原理

4.3.4 SOM算法

4.3.5实验与分析

5 基于BP的语义模式匹配模型的研究

5.1 BP网络模型

5.1.1 BP网络设计

5.1.2基本的BP算法

5.1.3 BP算法的不足

5.2 BP的改进

5.2.1 基本的粒子群算法

5.2.2基于粒子群优化的神经网络算法

5.2.3改进的粒子群算法

5.2.4改进的粒子群优化BP网络

5.3改进的粒子群优化BP网络的属性匹配算法

5.4实验与结论

结 论

参考文献

攻读硕士学位期间发表学术论文情况

致 谢