基于双层机器学习的业务流程剩余时间预测

近年来,流程挖掘技术不再局限于对事件日志的线下分析以实现对流程模型的改进,而更加关注如何为业务流程的优化提供在线支持.其中业务流程剩余执行时间的预测监控是流程挖掘中的关键研究问题,它能为相关者提供及时的预测信息,进而采取有效措施以减少流程执行风险(例如超过时间限制).当前剩余时间预测的研究仅考虑单个流程实例的内部属性,而忽略了多个实例共同执行对剩余执行时间所产生的竞争影响.为此,本文考虑多实例间的资源竞争,并将其作为预测的主要输入属性之一.此外,本文还通过分析历史事件日志选择出一些对当前流程实例执行时间有重大影响的关键活动,并将其也作为预测的输入属性之一.同时,为提高预测模型的精度和在复杂应用场景中的适应性,本文利用堆叠技术将XGBoost模型和LightGBM模型进行融合,构建出双层混合预测模型来完成对业务流程剩余时间的预测.在四个真实数据集上的实验表明,考虑了实例间属性以及关键活动属性的混合预测模型在平均绝对误差上比LSTM和XGBoost方法分别降低了11.6％和15.8％.     

互斥约束工作流可满足性决策的匹配剪枝模式回溯法

针对用于工作流可满足决策的模式回溯技术如何平衡性能与代价的问题,提出了一种对部分模式解及时进行授权匹配验证的优化方法,牺牲一定验证效率以增强剪枝能力。就仅受互斥约束的问题情形,利用实例难易程度的两极分化现象对总体时间性能进行了分析。随机生成数据集上的实验表明,这一优化极大地降低了模式回溯在难实例上的时间代价,而对易实例执行时间的影响很小,且相对于其他基于动态规划的代表性算法,优化后的算法在时间和空间性能上均有显著优势。     

基于Louvain算法的作者合著网络社区划分研究

对作者合著网络进行社区划分有助于挖掘科研人员的合作和交流模式.采用Louvain算法将C-DBLP作者发文合作关系公开数据集进行了社区划分,并采用模块度对划分结果进行评估.结果 表明,Louvain算法能够快速高效地处理具有数千个节点的网络,与LED算法和GN算法相比,能更有效地进行社区划分.研究结果揭示了各个学科不同...     

插值边界的四边网格离散极小曲面建模方法

如何实现极小曲面的快速三维建模,是几何设计与计算领域中的难点和热点问题.给定一条封闭的边界离散折线,本文研究如何构造以其为边界的四边网格离散极小曲面.首先从曲面的内蕴微分几何度量出发,给出了离散四边网格极小曲面的数学定义;然后利用保长度边界投影、四边网格生成、径向基函数插值映射和非线性优化技术,提出了由给定边界离散折线快速构造离散四边网格极小曲面的一般技术框架.最后通过若干建模实例验证了本文方法的有效性.该方法可实现四边网格极小曲面的高质量建模,在建筑几何领域具有一定的应用价值.     

基于P2P架构的分布式虚拟环境中一种状态消息的随机分发方法

针对基于P2P通信架构的分布式虚拟环境中的视图一致性问题,在分析有限的网络带宽等影响因素的基础上,提出了一种随机广播算法进行状态消息分发.该算法需预先建立随机几何图结构,并利用给出的通信限制时延进行状态更新消息的发送.结合基于贪心的路由选择算法,通过已获得状态更新消息的节点转发,进而确定节点间的转发路由,获得节点间具有较少通信时延的消息传播时间.经实验分析及验证表明,该算法与其他几种算法相比较而言,在很大程度上减少了时空不一致性事件率,提高了系统性能.     

基于生成对抗网络的模糊工件角度检测

为提升复杂的工业生产环境中模糊工件图像的角度检测精度,对工件图像进行有效的去模糊操作,提出基于生成对抗网络的去模糊方法,该方法通过生成网络与判别网络间的对抗性训练,最小化去模糊图像与清晰图像间的距离。为避免直线错检、断线等问题,基于直线检测算法提出改进的直线检测算法。通过对比实验与数据分析发现,所提方法比多尺度卷积神经网络去模糊方法提升了约13%的检测精度。     

边界简化与多目标优化相结合的高质量四边形网格生成

目的 高质量四边形网格生成是计算机辅助设计、等几何分析与图形学领域中一个富有挑战性的重要问题。针对这一问题,提出一种基于边界简化与多目标优化的高质量四边形网格生成新框架。方法 首先针对亏格非零的平面区域,提出一种将多连通区域转化为单连通区域的方法,可生成高质量的插入边界;其次,提出"可简化角度"和"可简化面积比率"两个阈值概念,从顶点夹角和顶点三角形面积入手,将给定的多边形边界简化为粗糙多边形;然后对边界简化得到的粗糙多边形进行子域分解,并确定每个子域内的网格顶点连接信息;最后提出四边形网格的均匀性和正交性度量目标函数,并通过多目标非线性优化技术确定网格内部顶点的几何位置。结果 在同样的离散边界下,本文方法与现有方法所生成的四边网格相比,所生成的四边网格顶点和单元总数目较少,网格单元质量基本类似,计算时间成本大致相同,但奇异点数目可减少70% 80%,衡量网格单元质量的比例雅克比值等相关指标均有所提高。结论 本文所提出的四边形网格生成方法能够有效减少网格中的奇异点数目,并可生成具有良好光滑性、均匀性和正交性的高质量四边形网格,非常适用于工程分析和动画仿真。     

基于本地模型质量的客户端选择方法

联邦学习是一种针对数据分布于多个客户端的环境下,客户端共同协作训练模型的分布式机器学习方法。在理想情况下全部客户端均参与每轮训练,但是实际应用中只随机选择一部分客户端参与。随机选择的客户端通常不能全面反映全局数据分布特征,导致全局模型训练效率和模型精度降低。为此,提出一种基于本地模型质量的客户端选择方法 ChFL。分析影响模型精度和收敛速度的重要因素,提取可反映客户端模型质量的损失值和训练时间2个重要指标。通过对本地损失值和训练时间融合建模,用于评估客户端模型质量。在此基础上,基于客户端质量指导客户端选择,同时与随机选择策略进行一定比例的结合,以提高全局模型精度。通过选择具有高质量的数据且计算性能较优的客户端参与训练,提升模型精度并加快收敛速度。在FEMNIST、CIFAR-10、MNIST、CINIC-10和EMNIST数据集上的实验结果表明,相比3种基线算法FedAvg、FedProx、FedNova,将ChFL与基线算法相结合后的收敛速度平均加快约10%,准确率平均提高4个百分点。     

基于异构计算平台的混合撕裂有限元求解优化技术

混合撕裂有限元法(Hybrid Total Finite Element Tearing and Interconnecting method,HTFETI)适用于求解结构力学、热力学等问题,是一种非重叠的区域分解方法,适用于大规模求解.但是在异构计算平台上对反应堆堆芯组件进行数值模拟时,采用混合撕裂有限元法会出现进程内和进程间的负载不均衡现象.在混合撕裂有限元求解器中,最主要的计算是稠密矩阵向量乘.针对进程内和进程间出现的负载不均衡现象,本文实现了动态负载均衡技术,充分利用了节点内和节点间的处理器资源,加快求解速度.最后,本文通过数值实验验证了上述优化技术能够加快混合撕裂有限元法的求解速度8.2%～9.4%.     

基于A-ELM的移动视觉搜索方法

计算机智能技术在图像领域已经得到广泛的应用.极限学习机(ELM)作为一种新兴技术,克服了其他传统智能技术所面临的一些问题,吸引了越来越多研究人员的关注.首先对ELM算法的性能进行了分析验证,并将其延伸到图像分类搜索上.在此基础上,提出了基本视觉搜索(BMVS)框架,将ELM运用到此框架服务器端,并进一步优化了ELM的分类性能.最后实验证明ELM在移动视觉搜索方面的可行性,并通过和支持向量机(SVM)的实验对比验证相关方法的高效性.