摘要：随着人工智能在嵌入式平台上的应用,k均值聚类算法作为人工智能方法的基础,促使其在嵌入式平台上实现,而能耗是制约算法在嵌入式平台上实现的关键。为了降低k均值聚类在嵌入式平台上的能耗,提出一种针对k均值聚类的跨层精度自动调节的近似计算方法。首先,分别从数据点到质心的距离和数据点变化趋势两个方面对迭代过程进行约束,提出精度自动调节的方法;然后,从结构级设计外部存储器的数据重组与访问方法,实现存储器的近似访问;设计精度自动调节的近似加法器与乘法器,最终实现k均值聚类算法的近似计算。实验结果表明,这种近似计算方法在基本不影响聚类质量的前提下,与精确计算相比较可降低55%~58%的能耗,节省能耗的比例最高。

摘要：为提高云平台异常点检测的精度,解决单一检测系统误报率与漏报率高的问题,提出基于集成学习的异常点检测系统。为解决异常检测对象多样性的问题,构造监测序列的特征矩阵,采用自组织映射神经网络对监测序列进行聚类;对监测序列进行过采样,解决异常发生频率很低的问题;对异构的异常点检测器进行基于委员会的学习,集成各检测器的检测优点,提高检测的精度。通过带有标注的监测序列对异常点检测系统进行验证,结果表明,该系统效果优于单一检测系统,验证了设计的有效性。

摘要：业务流程预测可以有效帮助企业进行流程控制和传递高质量服务,因此作为此类场景中的核心任务之一,业务流程剩余时间预测得到国内外学者的广泛关注.当前,在利用深度学习技术对业务流程剩余时间进行预测时,大都采用传统长短期记忆循环神经网络,然而,由于长短期记忆循环神经网络在处理序列数据的过程中缺乏并行性且建模能力有限,使得预测准确度还有进一步提升空间.因此,本文提出一种基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法.首先,该方法以双向准循环神经网络构建剩余时间预测模型,并在预测模型中融入注意力机制增强双向准循环神经网络输出的特征信息.其次,设计了一种基于不同长度轨迹前缀训练迭代策略,解决流程实例中不同长度轨迹前缀数量存在差异性的问题.最后,提出一种基于Word2vec的事件表示学习方法,实现对同一轨迹且经常出现事件的相似性向量表示,从而达到提高剩余时间预测准确度的目的.经在5个公开事件日志数据集上实验,本文方法与已有方法相比在预测准确度上平均提高近15%,模型训练时间平均缩短约26%.

摘要：下一事件预测任务是预测性流程监控的研究重点之一,针对现有基于深度学习的预测方法存在训练时间过长、参数量过大、对硬件要求过高等无法满足业务流程动态性的问题,提出一种基于日志采样的下一事件预测方法(SNEP)。通过计算事件重要性和直接跟随活动关系重要性来衡量轨迹重要性,抽取部分重要轨迹表示原事件日志;采用One-hot编码方式对轨迹前缀重新编码,并设计了适用下一事件预测任务的三层长短期记忆网络(LSTM)预测模型。在6个真实事件日志中进行实验,探究所提方法的有效性和不同采样率对模型预测结果的影响,结果表明预先采样的下一事件预测方法在各事件日志中的预测准确率和效率均有提升,验证了该方法的优越性。

摘要：为了提高浮点表达式设计空间的探索效率,提出一种基于启发搜索的浮点表达式设计空间探索方法。在每次迭代过程中首先对非支配表达式的设计空间进行探索,同时将非支配表达式和可支配表达式分别添加到非支配列表和可支配列表中。当迭代完成后对可支配列表中的表达式进行探索,从中选择非支配的表达式,并对其邻域进行探索。将新的非支配表达式添加到非支配列表中,有效提高了非支配表达式的多样性和随机性。最后再次对非支配列表进行探索,得到最终的等价表达式,并进一步提高最优表达式的性能。与现有的浮点表达式设计空间的探索方法相比较,所提出的方法使计算精度提高了2%~9%,并减少了5%~19%的计算时间和4%~7%的资源消耗。实验结果表明,该方法可有效提高空间探索效率。

摘要：合理的事件编码方式有助于提升业务流程剩余时间预测效果,为此,有针对性地设计出5种事件编码方式。首先,抽取业务流程包含的全部事件,并利用事件编码方式对获取的事件进行编码。其次,根据业务流程序列性的特点,构建不同类型的剩余时间预测模型,同时将事件编码向量作为预测模型的输入,从而评估事件编码方式对业务流程剩余时间预测的影响。在8个公开事件日志数据集上进行实验,结果表明GloVe事件编码方式在提高业务流程剩余时间预测效果上是最有效的。该实验结果可帮助研究者和从业者选择最合适的事件编码方式以实现最佳剩余时间预测效果。

摘要：为增强文本特征的表达能力,提出一种基于注意力机制(Attention)的卷积循环神经网络(CRNN)的文本分类算法。把预训练好的词向量作为输入,使用卷积神经网络(CNN)提取文本向量的特征;利用双向门控循环单元(BiGRU)捕获文本中的词序信息,提取文本的上下文依赖关系并结合Attention机制识别不同特征的重要性;使用Highway网络进行特征优化。将该模型在20Newsgroups、SST-1和SST-2这3个英文语料上进行实验,实验结果表明,该模型有效提高了分类任务的准确率。

摘要：现有的剩余时间预测方法仅关注对剩余时间预测任务起决定性作用的时间特征信息,并未考虑空间特征信息以及异质事件日志对预测任务的影响,导致预测准确度降低。提出基于轨迹聚类的剩余时间预测方法。将不同轨迹间的相似度作为距离度量,通过对事件日志中不同长度的轨迹进行聚类,以降低事件日志复杂度并细化结构。针对业务流程剩余时间预测任务,结合卷积神经网络与准循环神经网络,同时引入双向机制与注意力机制,设计基于注意力机制的卷积准循环神经网络模型,充分地捕获和增强对剩余时间预测任务有决定性影响的时间和空间特征信息,以提高业务流程中上下文事件之间的关联性,从而识别不同事件对业务流程剩余时间预测任务的重要程度。在BPIC_2012_A、BPIC_2012_O、BPIC_2012_W等事件日志数据集上的实验验证了该方法的有效性和可行性,结果表明,相比传统剩余时间预测方法,该方法的预测准确度平均提高约20%,有助于提升业务流程剩余时间的预测质量。