وب سرویس های معنایی با ارائه یک مدل معنایی، فرآیندهای مرتبط با وب سرویس نظیر توصیف، اکتشاف، ترکیب و فراخوانی را به صورتی قابل فهم تر برای ماشین امکان پذیر می سازند. این دستاورد با افزودن یک لایه معنایی به وب سرویس و از طریق بکارگیری هستان شناسی ها صورت می پذیرد. اما به دلیل طبیعت غیردقیق دانش موجود در جهان واقع، هستان شناسی های فازی گزینه مناسب تری برای مدلسازی معنایی دانش نسبت به هستان شناسی های محض می باشند. هستان شناسی های فازی برای بازنمایی دانش از منطق نرم بجای منطق سخت بهره می برند. ایده اصلی این پایان نامه ارتقای فرآیند توصیف ویژگی های کارکردی وب سرویس های معنایی با استفاده از هستان شناسی های حوزه فازی می باشد. بدین منظور در ابتدا به معرفی یک چارچوب برای تولید هستان شناسی حوزه فازی پرداخته و سپس معماری وب سرویس های معنایی فازی معرفی می گردد که فرآیند های توصیف، همتایابی و رتبه بندی را به شکلی انعطاف پذیر امکان پذیر می نماید. در این پایان نامه به طور خاص با افزودن هستان شناسی های حوزه فازی به هستان شناسی حاشیه نویسی وب سرویس owl-s، فرآیند توصیف ویژگی های کارکردی ارتقا می یابد.

ما در عصری قرار داریم که اغلب تحت عنوان عصر اطلاعات شناخته می شود. در این عصر، سازمان ها به وسعت در حال جمع آوری حجم بسیار عظیمی از اطلاعات هستند و به استخراج دانش نیازمند هستند. داده کاوی حاصل تکامل پنجاه ساله فناوری اطلاعات است. در دهه شصت میلادی اولین گام در جهت داده کاوی با جمع آوری داده ها برداشته شد، در دهه هفتاد سیستم های مدیریت پایگاه داده رابطه ای توسعه یافتند و در دهه هشتاد تکنیک های دست یابی به داده ها ارتقا پیدا کردند. در دهه نود زمینه اصلی داده کاوی با توسعه انبارهای داده و سیستم های پشتیبانی تصمیم گیری فراهم گردید. به وضوح، داده کاوی وقتی ظهور یافت که حجم اطلاعات جمع آوری شده از کمیتی که یک کاربر انسانی می تواند تفسیر کند فراتر رفت. خوشه بندی یکی از تکنیک های داده کاوی است که نقش مهمی در تحلیل و تفسیر داده ها ایفا می کند، خوشه بندی داده ها را در خوشه ها به گونه ای گروه بندی می کند که اشیاء داده ای درون یک خوشه به یکدیگر شباهت بسیار زیادی دارند، اما با اشیاء درون خوشه های دیگر شباهت بسیار کمی دارند. تحقیقات بسیار زیادی در توسعه روش های خوشه بندی فازی انجام گرفته است، که مورد استفاده ترین آنها الگوریتم های مبتنی بر تابع هدف هستند، که داده ها را توسط مینیمم کردن یک تابع هدف خوشه بندی می کنند. در بین الگوریتم های خوشه بندی فازی مبتنی بر تابع هدف، الگوریتم fuzzy c-means تاکنون معروف ترین الگوریتم شناخته شده است و مبنای خوبی برای بسیاری از روش های جدید مبتنی بر تابع هدف می باشد. گرچه، fuzzy c-means بسیار به داده ها حساس است و فقط وقتی می تواند خوب عمل کند که خوشه ها تقریباً اندازه و شکل کروی مشابهی داشته باشند. در این تحقیق سعی بر آن شده است که به دو مسأله اساسی، یکی انتخاب نامناسب مراکز اولیه و در نتیجه گیر افتادن در مینیمم محلی و دیگری پیدا کردن خوشه هایی با شکل و اندازه یکسان در خوشه بندی فازی پرداخته شود. با ارائه یک مرحله پیش پردازشی، قابل اعمال بر الگوریتم های فازی موجود و روش جدید ارائه شده، از حساسیت الگوریتم به داده ها کاسته می شود و مراکز خوشه به نوعی انتخاب می شوند که از گیر افتادن در مینیمم محلی اجتناب می گردد. سپس تابع فاصله ای با کمک مقادیر ویژه و بردارهای ویژه ماتریس کواریانس فازی خوشه ها برای خوشه بندی ارائه می گردد که در شناسایی خوشه های به خوبی مجزا کمک شایان توجهی می کند. بنا بر معیارهای ارزیابی روش جدید برتری خود را نسبت به الگوریتم های موجود اثبات می کند. در ادامه به علت اهمیتی که مسأله ترافیک در جوامع امروزی ایفا می کند با استفاده از روش پیشنهادی روی داده های شرکت کنترل ترافیک تهران داده کاوی انجام شده است و نتایج آن ارائه گردیده اند.

وب سرویس های معنایی فرآیندهای مرتبط با چرخه حیات وب سرویس ها نظیر اکتشاف و ترکیب را با استفاده از هستان شناسی ها گسترش می دهند. اما هستان شناسی های محض به علت ماهیت غیر دقیق دانش موجود در جهان واقع قادر به مدلسازی دقیق این نوع دانش نمی باشند. لذا هستان شناسی های فازی به منظور برطرف نمودن این محدودیت معرفی گردیدند. در این پایان نامه قصد داریم فرآیند توصیف ویژگی های کارکردی وب سرویس های معنایی را با استفاده از هستان شناسی های فازی گسترش دهیم.