支持快速构建领域应用系统的业务过程模型研究*

针对基于业务基础平台快速构建领域应用系统,建立了业务过程模型BPM4DBL(business process model for dynamic business logic).模型中包括活动和规则元素,可以描述领域应用中宏观实体和微观知识结构;给出了模型中元素的构建步骤和原则,并定义了模型向XPDL(XML process definition language)和BPEL4WS(bussiness process execution language for Web service)的映射规则,从而支持领域应用系统的快速构建.最后给出了一个具体的应用实例.     

层次化服务流程向可执行BPEL转换的方法

基于人工智能规划的服务组合算法得到的组合方案是一种层次化服务流程（layered service process, LSP）,由服务之间的数据流（而非传统块结构流程中的控制结构）加以驱动执行。为使该类服务流程能在业务
　　过程执行语言（business process execution language,BPEL）引擎上直接执行,研究了将LSP转换为BPEL的方法,追求BPEL执行效率的优化。给出了LSP的形式化模型,分析了将LSP转换为BPEL的3种策略（完全拆分、按层拆分、按块拆分）,定性对比了三者之间的性能优劣。针对按块拆分策略,提出了9条规则用于对LSP的拆分,提出了块拆分算法和块合并算法。通过一个LSP案例对转换过程进行了演示,并通过实验证实了该转换方法可以获得比其他转换策略性能更好的BPEL。     

BPEL 流程建模中的交叠模式分析与转换

由图形化流程建模语言生成可执行的业务流程语言(business process execution language,简称BPEL)时,对于源模型中顺序与并发结构交织的情况(称为交叠模式),传统的复制相关活动方法缺少系统分析及形式化描述.针对这一现状,提出基于工作流网的UML活动图生成BPEL方法,以自由选择工作流网作为活动图的理论基础,利用活的、有界的自由选择网系统的合成规则,定义合理的自由选择工作流网中的两种交叠模式,针对其中一种给出复制相关活动的形式化转换方法,并借助Petri网的并发正则表达式证明转换等价性,说明另一种交叠模式中复制相关活动方法的适用范围.针对BPEL流程建模及图形化流程语言生成块状语言过程中的交叠模式转换问题,给出形式化的描述与解决方法.     

基于SPEM2XPDL模型转换的软件过程执行

SPEM(software process engineering metamodel)是国际标准化组织制定的标准元模型,正日益成为软件过程建模领域的行业标准,但在过程执行方面,SPEM还存在不足.将软件过程看作是一种特殊的工作流,提出了一种应用工作流运行机制支持软件过程执行的方法.通过将SPEM模型转换为XPDL(XML process definition language)模型,利用XPDL引擎支持SPEM模型的执行.制定了SPEM和XPDL之间的映射规则,设计了转换算法并开发了转换引擎.该方法被应用在SoftPM项目中,成功地基于XPDL引擎Shark实现了对软件过程模型的执行支持.     

基于BPEL的业务流程集成①

本文首先介绍了BPEL(Business process execution language)的定义及其元模型,针对传统流程构造技术的不足,提出了一种基于SOA的业务流程集成的体系结构,并研究了业务流程模型到BPEL的转换规则,最后用实例介绍了如何使用BPEL进行流程描述。     

采用函数式语言的BPEL模型形式化验证方法

通信顺序进程(communicating sequential process,CSP)是一种经典的形式化方法,CSP_M是在CSP基础上提出的一种函数式语言。目前Web服务组合中BPEL(business process execution language)模型缺乏可执行的形式化编程语言,通过CSP_M提出了一种基于函数式语言的BPEL模型验证方法。首先给出了基于CSP_M的BPEL模型建模与验证框架;其次给出了CSP_M的进程代数定义;再次详细描述了BPEL语言到CSP以及CSP_M的映射方法;最后以一个在线购物系统为例,讨论了该方法的使用效果。实验表明该方法可以提高BPEL模型的可靠性。     

基于接口自动机的BPEL4WS Web服务组合形式化模型

介绍了接口自动机的基本语法,针对目前最主要的一种描述和执行基于工作流模式的Web服务组合的规范——Web服务商业流程执行语言 (business process execution language for Web services,BPEL4WS),定义了接口自动机和BPEL4WS之间的概念映射,并给出了BPEL4WS的基于接口自动机的形式化模型,最后通过一个案例给出了BPEL4WS到接口自动机的映射及验证的方法。     

一种基于规则的工作流模型互操作的实现方法

简要分析了两种类型的工作流语言——XML流程定义语言（XPDL）和商业流程执行语言（BPEL）的语言结构与特点，分别从流程的控制流和数据流设计了工作流模型的互操作方案， 提出了把XPDL格式的工作流转换成等效的BPEL格式的工作流的转换算法，最后使用基于Java的开源规则引擎drools工具实现了这个转换。     

基于XML的工作流模型表示及映射算法研究

针对不同工作流产品采用不同的模型表示这一问题,工作流参考联盟WfMC提出了一个基于XML表示的规范化的工作流过程定义语言XPDL,用于实现不同工作流产品之间模型的转换。因此,从内部工作流模型到XPDL的相互转换就是产品在模型一级互操作的一个关键问题。针对该问题,本文首先简单介绍了XPDL;然后分析和介绍了映射过程中的一些相关问题,考虑到不少工作流采用ECA规则驱动,通过分析将XPDL表示的模型导入、转换并保存于关系数据库中,形成基于ECA规则的模型表示;最后提出了基于事件驱动执行机制到XPDL之间的自动映射转换算法。     

基于映射的ArtiFlow向BPEL的转换方法

以业务流程执行语言(BPEL)为物理模型,通过ArtiFlow中库与BPEL中服务间的映射和ArtiFlow中服务与BPEL中服务间的映射选取物理模型中所用的服务,利用ArtiFlow中元素的关联信息建立物理模型中服务间的调用关系,由此实现ArtiFlow向BPEL的自动转换。实验结果证明了该转换方法的有效性。     

Learning fuzzy rules with tabu search-an application to control

We present an approach for the automatic definition of the fuzzy rules for a fuzzy controller based on the use of the tabu search (TS) scheme. We show also how the application of the TS process to the learning of a fuzzy rule base can be improved using heuristic symbolic meta rules. The paper is divided in two parts. The first part presents an introduction to TS and different learning schemes which can be used to apply it for the determination of the fuzzy control rules. The second part illustrates the application of the proposed techniques to a specific control problem-the parking of a truck and trailer. In particular, Section V illustrates the definition of a rule base for a static fuzzy controller, while Section VI presents the construction of an adaptive parking controller     

MDA中PIM到PSM变换规则的研究

在MDA开发模式中,将模型分为PIM(平台独立模型)和PSM(平台相关模型),其目的在于通过一定的变换规则实现PIM到PSM的自动转换,从而可以方便地生成应用程序代码以及测试框架。要实现PIM到PSM的自动转换,关键在于变换规则的精确定义。本文对变换规则提出了一种形式化的定义,并结合特定的PSM给出了一个具体的转换实例,最后给出在此基础上设计的平台的实践结果。     

基于用户定义规则的软件平台研究与设计

软件中的逻辑规则和数据多,对其定义和修改的工作量大。为此,提出一种基于用户定义规则的软件平台。从业务逻辑规则的角度出发,结合软件需求变更的特点,以数据字典、知识仓库和解释器为核心,以软件业务规则灵活化为主要目的,实现不同数据来源和类型规则的管理和解释功能,设计随需应变的软件平台。实验结果表明,该平台的开发和维护效率均较好。     

基于输入样本和主数据的编辑规则挖掘算法

基于编辑规则和主数据的数据修复技术能自动地、确切地修复不一致数据,但目前编辑规则的获取主要依靠专业人员的定义. 为了实现数据清洗全自动化,数据规则的挖掘技术近年来成为研究热点,针对条件函数依赖提出的挖掘算法主要有CFDMiner,CTANE,FastCFD. 在此基础上,扩展条件函数依赖（CFD）的定义,在编辑规则的定义下提出了一种基于输入样本和主数据的编辑规则挖掘算法,主要思路是从输入样本中挖掘出CFD,然后根据输入样本与主数据在属性上的定义域相似性求出输入样本在主数据中的对应属性,从而形成带模式组的编辑规则,此算法能有效地挖掘编辑规则. 且所挖掘的编辑规则按照编辑规则语义能有效地进行数据修复.     

Using Rule Quality Measures for Rule Base Refinement in Knowledge-Based Predictive Maintenance Systems

Abstract

As today’s manufacturing domain is becoming more and more knowledge-intensive, knowledge-based systems (KBS) are widely applied in the predictive maintenance domain to detect and predict anomalies in machines and machine components. Within a KBS, decision rules are a comprehensive and interpretable tool for classification and knowledge discovery from data. However, when the decision rules incorporated in a KBS are extracted from heterogeneous sources, they may suffer from several rule quality issues, which weakens the performance of a KBS. To address this issue, in this paper, we propose a rule base refinement approach with considering rule quality measures. The proposed approach is based on a rule integration method for integrating the expert rules and the rules obtained from data mining. Within the integration process, rule accuracy, coverage, redundancy, conflict, and subsumption are the quality measures that we use to refine the rule base. A case study on a real-world data set shows the approach in detail.     

广义左,右线性递归规则组改写

本文从左，右线性递归规则组的定义出发，提出了广义左，右线性递归规则组的定义，放宽了左，右线性递归规则组寻规则形式的限制，扩展了Ｕｌｌｍａｎ提出的左，右线性递归规则组改写方法的适用范围。本文证明了由广义左，右线性递归规则组向左，右线性规则组转换的相容性，并给出了具体的转换算法。     

Generating the knowledge base of a fuzzy rule-based system by thegenetic learning of the data base

A method is proposed to automatically learn the knowledge base by finding an appropiate data base by means of a genetic algorithm while using a simple generation method to derive the rule base. Our genetic process learns the number of linguistic terms per variable and the membership function parameters that define their semantics, while a rule base generation method learns the number of rules and their composition     

预期关联规则集及其基数的定量分析

给定数据库,在不考虑支持度和可信度情况下,事先能否预知最终会挖掘出多少条关联规则,这是个值得研究的问题。为此文中提出预期关联规则的概念,使上述问题转化成为如何计算预期关联规则集基数的问题。分别给出布尔型和数量型两种情况下的计算公式。对于数量型数据集,讨论当转换为布尔型数据后各个项集元素呈现的互斥性质。利用此性质导出一个膨胀矩阵和膨胀算法。该方法相对简洁地解决数量型数据集预期关联规则集基数的计算问题。计算和测试结果都表明,预期关联规则总量随着互斥元素的增加呈现下降趋势。这些结果对于深刻理解关联规则挖掘的实质,进而研发更加高效的挖掘算法十分有益。     

基于机器学习的配电网监控信息智能分析规则库构建方法

为构建一种具有实时性的配电网监控信息智能分析规则库,提出了基于机器学习的配电网监控信息智能分析规则库构建方法。将规则库中全部配电网监控规则头排序并设成主链,将规则导进链表里生成规则集,保证各个监控信息数据包都存在一个分析规则。使用基于机器学习的配电网故障数据分类方法,识别配电网监控信息中的故障数据,并提取故障数据频繁项集。使用基于MapReduce的并行关联规则增量更新算法,更新分析规则库中的信息智能分析规则,保证分析规则库中的信息智能分析规则具有实时性。实验结果表明,所提方法的识别结果准确度、检出率均值都大于0.97,假阳性率都是0.01,可以及时识别出配电网监控系统实时检测故障信息,保证信息智能分析规则更新具有实时性。     

A stock recommendation system exploiting rule discovery in stock databases

This paper addresses an approach that recommends investment types to stock investors by discovering useful rules from past changing patterns of stock prices in databases. First, we define a new rule model for recommending stock investment types. For a frequent pattern of stock prices, if its subsequent stock prices are matched to a condition of an investor, the model recommends a corresponding investment type for this stock. The frequent pattern is regarded as a rule head, and the subsequent part a rule body. We observed that the conditions on rule bodies are quite different depending on dispositions of investors while rule heads are independent of characteristics of investors in most cases. With this observation, we propose a new method that discovers and stores only the rule heads rather than the whole rules in a rule discovery process. This allows investors to impose various conditions on rule bodies flexibly, and also improves the performance of a rule discovery process by reducing the number of rules to be discovered. For efficient discovery and matching of rules, we propose methods for discovering frequent patterns, constructing a frequent pattern base, and its indexing. We also suggest a method that finds the rules matched to a query from a frequent pattern base, and a method that recommends an investment type by using the rules. Finally, we verify the effectiveness and the efficiency of our approach through extensive experiments with real-life stock data.