一种基于EQ规则的组合服务运行时自适应方法

组合服务通常运行在开放、变化和不确定的互联网环境中.动态复杂的运行环境,使得组合服务的执行具有不确定性和不可靠性,从而制约了服务组合技术的实际可用性.针对该问题,面向环境的分析与建模,提出了一种基于EQ规则的组合服务运行时自适应方法.该方法在记载组合服务的执行日志和各备选服务的运行环境数据的基础上,挖掘得到反映“一个备选服务在特定的环境状态下所表现出的质量会如何”的EQ规则库,从而指导组合服务如何响应实时产生的各类环境变化事件,以驱动组合服务的运行时自适应,保障其可靠运行.仿真实验结果表明:该方法能够提高组合服务在动态环境中的服务质量,增强其运行稳定性,是一种有效的组合服务运行时自适应方法.     

一种大数据环境中分布式辅助关联分类算法

在很多现实的分类应用中,新数据的类标需要由领域专家最终确定,而分类器的分类结果仅起辅助作用.另外,随着大数据所隐含价值越发被人们重视,分类器的训练会从面向单一数据集逐渐过渡到面向分布式空间数据集,大数据环境下辅助分类也将成为未来分类应用的重要分支.然而,现有的分类研究缺乏对此类应用的关注.大数据环境中的辅助分类面临以下3个问题:1) 训练集是分布式大数据集;2) 在空间上,训练集所包含的各局部数据源的类别分布不尽相同;3) 在时间上,训练集是动态变化的,会发生类别迁移现象.在考虑以上问题的基础上,提出一种大数据环境中分布式辅助关联分类方法.该方法首先给出一种大数据环境中分布式关联分类器构建算法,在该算法中,通过横向加权考虑分类数据集在空间上的类别分布差异,并给出"前件空间支持度-相关系数"的度量框架,改进关联分类算法面对不平衡数据的性能缺陷;然后,给出一种基于适应因子的辅助关联分类器动态调整方法,能够在分类器应用过程中充分利用领域专家实时反馈的结果对分类器进行动态调整,以提升其面向动态数据集的分类性能,减缓分类器的退化和重新训练的频率.实验结果表明,该方法能够面向分布式数据集较快地训练出有较高分类准确率的关联分类器,并在数据集不断扩充变化时提升分类性能,是一种有效的大数据环境中辅助分类应用方法.     

基于行为效果的服务可替换性分析

服务可替换性分析是服务无缝集成与协作领域的一个重要问题,通过形式化的分析方法验证替换前后服务组合效果是否一致,有助于实现服务的动态组合.现有研究针对服务内部的操作和操作序列是否一致对服务的可替换性进行分析,会缩小可替换服务的空间.基于服务执行时的触发条件和结果提出了服务可替换性的定量判定方法.该方法采用有色Petri网对服务行为进行建模,将服务执行时的触发条件和结果定义为服务的行为效果,给出了行为效果一致的概念,并结合Petri网变换理论实现对服务可替换度的计算.最后通过定理证明了方法的有效性,这种定量分析的判定方法对于服务替换的正确建立和替换后组合服务的可靠执行具有重要作用.     

基于中医疗效评价的交互式数据挖掘框架

设计并实现了基于小儿肺炎中医疗效评价的交互式数据挖掘框架。该框架采用数据挖掘、数理统计和逻辑分析相结合的方法,通过回顾性和前瞻性多角度的验证与比较研究,揭示各证和所属症状之间的关联性,不仅突破了传统的疗效评价方法的限制,而且优化了疗效规范,建立了客观的、人机交互可度量的病证结合的疗效评价体系。     

基于组合服务执行信息的服务选取方法研究

组合服务选取问题是服务计算领域的一个研究热点问题,已往的选取方法大多基于难以准确获取的服务QoS信息,且算法思路复杂.文中提出了一种基于组合服务执行信息的服务选取方法.该方法分为3个阶段:数据生成阶段、数据挖掘阶段和服务选取阶段,分别进行组合服务执行信息的记载和相关数据集的生成、路径分支关联规则和服务执行顺序序列模式的挖掘以及基于挖掘产生的知识模式进行服务选取.文中首先给出一种可以方便记载日志的服务组合系统架构;然后提出一种基于时间加权的算法模型,以有效地进行路径分支关联规则和顺序序列模式的挖掘;最后对文中的组合服务选取方法进行描述.实验结果表明:文中方法在选取出的组合服务健壮性方面要优于基于QoS的方法.     

多显型疾病中致病模式和保护模式的挖掘

在多显型疾病中发现致病模式和保护模式具有很大的挑战性.以前的研究都是针对两类数据,即通过发病人群和正常人群对照得到疾病的发病模式,在多显型疾病(多种疾病或多亚型疾病)中同时发现致病模式和保护模式没有得到进一步研究.而关联规则挖掘的瓶颈在于产生大量的规则,其中有很多是冗余规则,已存在的挖掘非冗余规则算法虽然去掉了冗余规则,还是有很多规则对给定应用领域是不感兴趣的或兴趣度太低.针对这样的问题,基于统计方法定义了致病模式(vital pattern)和保护模式(protect pattern),提出了一个新的算法MVP,实现了在多显型疾病中发现致病模式和保护模式.挖掘出的模式已经被专家认可.这些规则的产生为医疗研究发展提供了精确而又非常有用的信息,被广泛应用在医疗研究中.最后基于这些规则得出分类器,实验结果验证了该算法的高效性和实用性.     

一种基于概念的数据聚类模型

在数据挖掘研究领域,现有的大多数聚类算法都受到数据可伸缩性和结果可解释性的限制.为了解决这一难题,提出了一种基于概念的数据聚类模型.该模型从描述数据样本的数据本身出发,首先在预处理后的数据集上提取基本概念,再对这些概念进行概化,形成表示聚类结果的高层概念,最后基于这些高层概念进行样本划分,从而完成整个聚类过程.该模型能够在保证聚类准确性的基础上,很大程度地减少要处理的数据量,提高原算法的可伸缩性.另外,该模型基于概念进行知识的发现与分析,能够提高聚类结果的可解释性,便于与用户交互.实验结果表明,该模型对于聚类结果较好且复杂度较高的算法尤为有效.     

基于粗糙集的支持向量聚类方法

针对支持向量聚类(Support Vector Clustering,SVC)的软核,引入了粗糙集的理论。通过粗糙集的上下边界,对SVC算法的核函数进行改进。通过聚类过程,算法不仅可以有效处理边界点,发现任意形状的软聚类集,还可以通过交互参数调整,控制结果的软边界。基于粗糙集的SVC解决了不确定边界的归类问题,而不需要额外的计算开销。实验结果表明算法能有效地处理软边界,同时也证实了算法的正确性。     

基于最小加权支持的加权序列模式挖掘算法

针对序列模式挖掘进行探索,通过对项目加权体现项目的重要性,进而实现序列的加权;加权后,频繁序列的子序列不一定频繁,因此提出序列的最小加权支持概念,并由此提出了加权序列模式挖掘算法MWSP。仿真实验结果表明,与同类算法WSpan比较,MWSP算法更能体现序列的重要性。     

一种基于划分的组合服务选取方法

组合服务选取问题是服务计算领域研究的核心问题.由于组合服务中基本服务QoS间存在着复杂的关联关系,使得某些服务一起使用时效率会较高,而某些服务一起使用时效率反而会降低,现有的服务选取算法几乎忽略了该问题,从而使得选取时所使用的Web服务QoS数据往往不准确,致使选取出的组合服务在实际执行时并不是最优的.为了解决该问题,提出了一种基于划分的组合服务选取方法.首先基于日志记载的质量信息选取那些性能优良的组合服务执行实例,在此之上发现被频繁一起使用的具体服务集合,据此产生对组合服务的划分,形成组合服务点和对应的点模式;最后把点模式集作为点的备选服务集,以点为单位进行组合服务选取.由于点模式经过了多遍执行的验证,和直接对点中各基本服务进行独立选取相比其性能往往会更高.实验表明,该方法能有效提高选取出的组合服务质量.