协同任务中基于重要性的资源服务序列挖掘方法

来源 :华侨大学 | 被引量 : 0次 | 上传用户:shinmagi
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着信息技术的发展和学术研究的深入,多组织跨地域跨部门协同合作完成一项任务的模式-协同任务模式在越来越多的领域得到关注和应用。实际生产环境中的协同任务往往比较复杂,在业务及用户规模越来越大、资源的种类和数量越来越多的情况下,研究提高协同任务中业务过程的整体运行效率具有重要的意义。目前,相关研究主要集中在资源服务的优化组合和选取方面,其中通过研究协同任务的运行特点,分析和挖掘频繁资源服务序列,并将其以服务流的形式服务于协同任务中的业务过程,是提高协同任务的整体运行效率的重要方向之一。协同任务中的资源服务实际上具有不同的重要性信息,其对于发现协同任务的业务瓶颈,从而制定资源服务优化组合策略有重要的意义,比如根据资源服务重要性的有效信息挖掘频繁的资源服务序列。为此,本文展开如下研究:(1)面向协同任务的资源服务重要性计算方法从业务数据集中资源服务之间的时序关系出发,详细分析协同任务中资源服务重要性的定义和计算方法。方法在时序关系频度信息的基础上,进一步考虑时序关系中前序资源服务对后序资源服务的重要性影响,通过实验分析和说明该方法的有效性。(2)基于重要性的频繁资源服务序列挖掘方法针对协同任务中频繁资源服务序列的分析和挖掘问题,根据资源服务重要性信息构建资源服务重要性模型,然后基于重要性模型进行频繁资源服务序列的识别和组合,挖掘频繁资源服务序列并以组合服务流的形式服务于业务过程,从而提高业务过程的服务选取效率和整体运行效率。最后,依托典型的协同任务应用系统--云制造服务平台,说明本文研究在平台中的应用。
其他文献
图像分类是计算机视觉任务中的重要组成部分,其关键是如何进行特征选择。从使用传统方法提取图像的手工特征,到使用卷积神经网络(CNNs)提取图像的深度特征,图像分类结果得到了显著提升。现有的CNNs网络中大多采用整张图像特征作为图像分类的依据,很少考虑图像的空间信息,而图像的空间信息对分类任务至关重要。因此,本文考虑应用图像的空间信息来提高分类结果,并将图像的空间信息分为显著信息和背景信息。本文提出了
图像融合技术是利用同一场景或同一目标的多幅输入图像之间信息的互补性,将其整合为一幅图像的过程,该技术能够提高图像中场景或目标的清晰度,并为后续的目标识别、分类等工作提供了更精确可靠的图像支持。目前,该技术已成功应用于军事、农业、安全和监控等众多领域。本文主要研究基于形态分量分析(Morphological Component Analysis,MCA)的多聚焦图像和医学图像融合算法,具体内容如下:
目的脑转移瘤(Brain Metastases,BM)预后差,致死率高,其中肺癌脑转移瘤是其常见类型。现有治疗手段如手术、放疗、化疗及其综合治疗效果仍不尽人意,分子靶向治疗带来了希望,
无源光网络(Passive Optical Network,PON)与云无线接入网(Cloud Radio Access Network,C-RAN)的融合网结合了光网络与无线网两者的优势,能够为用户提供大容量、高可靠、低损
无线传感器网络作为一种新型的信息网络,在环境的监测和预报、医疗护理、军事领域、智能家居等领域拥有特殊的作用和意义。但能耗不均衡造成WSN节点的提前死亡,缩短了 WSN的生命周期,制约了 WSN持久广泛的应用。因此,如何解决能耗不均衡的问题并延长网络生命周期是研究重点。本文的主要工作内容如下:(1)首先阐述了 WSN的研究背景、应用领域和网络结构,接着阐述了拓扑控制的研究现状和发展,并对LEACH算
目的:1. 研究盆腔器官脱垂患者与非脱垂患者骶韧带组织中collagen Ⅰ、collagen Ⅲ及Notch信号通路中重要蛋白notch1及hes1的表达。2.研究Notch信号通路的激活与抑制对原代培
知识产权保护下的技术创新成果日益成为一国综合国力的决定性因素。在新一轮产业革命的冲击下,我国近年出台的制造强国战略,将制造业发展提到了关乎民族兴旺发展和国家命运的战略地位,制造业的创新发展是提升我国综合国力的必由之路。制造业的创新发展受到知识产权保护水平影响深刻,知识产权保护的缺位或不足会抑制制造业企业的创新动机,引导企业将有限的资源配置到以寻租为核心的非生产性活动中,阻碍制造业创新绩效的增长。本
自从中国共产党建党以来,我国党和政府始终高度重视反腐廉政建设工作。十八大以来,面对以前的官员“前腐后继”腐败形势,党和政府意识到反腐廉政建设不能只注重反腐,更应该注
目的:胶质瘤(glioma)是神经上皮来源的肿瘤,是中枢神经系统发病率最高的原发性肿瘤。由于本身恶性程度高、手术全切困难、易复发及血脑屏障阻碍药物进入等因素,目前即使采用先
单目图像的场景深度估计,关注于如何从单目图像中获得场景深度信息。在Marr奠定的计算机视觉理论中,将单目图像的场景深度估计作为人类视觉的一项重要任务。随着含有场景深度信息的RGBD数据集的构建以及深度卷积神经网络在计算机视觉任务中广泛应用。单目场景深度估计通常被定义为连续回归问题,采用卷积神经网络进行端对端的学习,但是现有的深度估计模型中仍然存在以下几大挑战:(1)单目图像场景深度信息估计需要像素