基于可满足性计数的(≠,=)约束工作流鲁棒性验证

工作流将业务过程分解为有序的步骤并分配人力资源加以执行.资源分配受访问控制约束及资源异常干扰,存在可满足性和鲁棒性问题.而其鲁棒性验证又依赖于其可满足性判定,目前通过求可满足性的一个解来完成.本文提出另一种途径,通过统计解的个数来完成判定.特别地,通过多项式计数归约为有求解器可用的#SAT问题,给出了互斥和绑定约束下的可满足性计数算法.实验表明,相对目前时间复杂度最低的可满足性求解算法,该可满足性计数算法显著提高了实际判定效率和适用规模.     

基于流形正则化非负矩阵分解的高光谱数据降维

采用基于流形正则化非负矩阵分解(MR-NMF)的高 光谱数据降维方法。新方 法通过构建样本的近邻图描述数据几何结构,然后将其作为正则项加入NMF的目标函 数中进行组合优化。在真实的高光谱数据集HYDICE上进行的实验结果表明,新方法能 够提高高光谱图像分类的精度。     

基于谱聚类波段选择的高光谱图像分类

高光谱图像在地物观测领域得到了广泛的应用。由于高光谱图像具有数据量大、波段间相关度高等特性,波段选择技术成为降低地物识别计算复杂度的重要方法。根据不同波段数据之间的非线性关系,提出了基于谱聚类(SC)的波段选择技术。该方法首先以波段图像为样本点生成近邻图和相似度矩阵,然后借助谱聚类方法将所有数据样本分成 k类,从中选择 k个代表波段参与后继的分类识别任务。实验数据表明,新方法减小了计算复杂度,提高了地物识别的精度。     

*WS-RI增量模式回溯的边界收缩加速

资源独立约束工作流可满足决策*WS-RI是业务安全规划的典型问题,在云制造等第三方资源环境中有重要意义。增量模式回溯法（Incremental Pattern Backtracking,IPB）是一种能够打破对称,高效求解*WS-RI的新型算法。它的一个主要优势是在模式验证时,通过渐进方式计算其中各块到资源集的指派图。但其在整个资源集中搜索指派邻点,实际性能存在缺陷,并在模式空间上放大。利用块中各步骤授权资源的分布间隙,设计了一种边界收缩的加速方法。它在搜索过程中增量计算邻域的初始边界,循环对齐和滑动当前边界,过滤无用资源,快速求出各个邻点。随机实例集上的实验表明,该算法显著优于目前最快的非增量模式回溯法。而较现有IPB,对低授权或高资源比例的相对困难实例,时间性能有明显提高。     

引入任务情景的服务发现方法

如何准确地发现目标服务是服务计算研究的关键问题。传统的服务发现方法由于没有考虑服务任务情景的适用性,查询精度仍有较大上升空间。基于此,提出包含任务情景的服务发现方法,以自定义本体论为基础,引入结构化概念实例模式来描述任务情景。实验数据表明,该方法提高了服务发现的精度。     

基于半监督对手协商偏好学习的协商模型

针对自动化协商问题,提出一种基于协同训练的半监督对手协商偏好学习方法。在该方法中,将协商过程映射到出价轨迹特征空间和交互轨迹特征空间两个新的特征空间。在两个特征空间中分别训练支持向量回归机,两个学习机迭代,互相提供可靠的有标记训练样本,以扩大训练样本规模。由两个学习机共同学习,得到对手的协商偏好。协商决策模型以双方协商偏好为基础提出双赢的协商反建议。实验数据表明,所提方法可以提高协商总体效用,减少协商回合数,节省协商时间。     

基于光谱特征和纹理特征协同学习的高光谱图像数据分类

高光谱遥感图像中包含有大量的高维数据,传统的有监督学习算法在对这些数据进行分类时要求获取足够多的有标记样本用于分类器的训练.然而,对高光谱图像中大量的复杂地物像元所属类别进行准确标注通常需要耗费极大的人力.在本文中,我们提出了一种基于半监督学习的光谱和纹理特征协同学习(STF-CT)--法,利用协同学习机制将高光谱图像光谱特征和空间纹理特征这两种不同的特征结合起来,用于小训练样本集下的高光谱图像数据分类问题.STF-CT算法充分利用了高光谱图像的光谱和纹理特征这两个独立视图,构建起一种有效的半监督分类方法,用于提升分类器在小训练样本集情况下的分类精度.实验结果表明该算法在小训练样本集下的高光谱地物分类问题上具有很好的效果.     

基于直推式支持向量机的协商决策模型

为了解决在电子商务活动中由于信息的保密性协商参与者无法获得对手效用函数,进而影响双方协商性能的问题,提出一种基于直推式支持向量机(TSVM)算法的双边多议题协商决策模型.该模型利用协商历史中隐含的信息,分析协商过程中产生的建议是否落在对手效用可接受区间内,构造有标记和无标记的训练样本,并通过直推式支持向量机来学习这些训练样本,得到协商对手效用函数的估计,然后与己方效用函数相结合构成一个约束优化问题,利用粒子群算法求解此优化问题得到己方的最优反建议.实验结果表明:此模型在信息保密和缺乏先验知识的情况下,能够兼顾对手效用做出协商决策,增加了双方的协商成功率和联合效用值,并能够有效减少协商时间.     

基于无监督特征选择的高光谱图像分类方法

在高光谱图像分类中,丰富的数据提升了其地物 识别能力。然而,由于样本特 征数大且有标记训练样本点少,导致“维度灾难”问题。本文提出一种基于无监督特征选择 的高光谱图像分类方 法,该方法同时考虑数据的流形嵌入映射和稀疏表达,将特征选择问题转化为一个优 化问题,数据的流形嵌入和稀疏表达作为约束项加入目标函数。设计了三个目标函 数,第一个目标函数描述流形学习的局部性原则,第二个目标函数将原始样本点回归 到低维嵌入空间,第三个目标函数对回归系数进行正则化。针对目标函数非凸的问 题,用迭代的方法来解这个约束优化问题,给出了解该优化问题的算法。优选特征用 于参与后续的分类识别任务。在真实的高光谱数据集上的实验表明,新方法能够提高 分类的精度。     

对手偏好主动学习驱动的协商框架

针对自动化协商问题,提出一种基于主动学习算法的对手协商偏好学习方法. 在该方法中,协商过程表示为建议序列,将建议序列映射到出价轨迹特征空间,建立训练样本集. 在激烈竞争的电子商务环境中,样本标记的成本较高,引入主动学习算法后,在预算范围内,提高了对手协商偏好预测的精度. 实验数据表明,该方法能在少量有标记训练样本下获得良好的预测能力,减少了协商回合数,提高了协商总效用.