流程挖掘提供了各种算法来根据事件数据分析过程执行。过程发现是过程挖掘技术的最突出类别，旨在从事件日志中发现过程模型，但是，在使用现实生活数据时会导致意大利面模型。因此，已经在传统事件日志（即带有单个情况概念的事件日志）上提出了几种聚类技术，以降低过程模型的复杂性并发现案例的均匀子集。然而，在现实生活中，尤其是在企业对企业（B2B）过程的背景下，流程中涉及多个对象。最近，已经引入了以对象为中心的事件日志（OCEL）来捕获此类过程的信息，并在OCEL的顶部开发了几种过程发现技术。然而，提出的关于真实OCEL的发现技术的输出导致更具信息性但更复杂的模型。在本文中，我们提出了一种基于聚类的方法，用于群集在OCEL中类似对象，以简化所获得的过程模型。使用对实际B2B过程的案例研究，我们证明我们的方法降低了过程模型的复杂性，并生成了对象的相干子集，这些子集有助于最终用户获得对流程的见解。
translated by 谷歌翻译
业务流程的自动化和数字化导致信息系统中捕获的大量数据，这可以帮助企业更好地理解其流程，改善工作流或提供运营支持。通过对正在进行的过程进行预测，可以识别瓶颈并重新分配资源，以及在过程实例的状态（案例）中获得的见解。传统上，数据是以带有单个识别案例概念的事件日志的形式从系统中提取的，例如用于现金订单（O2C）流程的订单ID。但是，实际过程通常具有多种对象类型，例如订单，项目和软件包，因此强制使用单个案例概念的格式不会反映数据中的基本关系。引入了以对象为中心的事件日志（OCEL）格式，以正确捕获此信息。最先进的预测方法仅根据传统事件日志量身定制。该论点表明，可以使用OCEL中包含的丰富数据来增强一种利用生成对抗网络（GAN），长期记忆（LSTM）体系结构（SEQ2SEQ）的预测方法。 OCEL中的对象可以具有可用于预测下一个事件和时间戳的属性，例如对于对象类型包的优先类属性，指示速度较慢或更快地处理。在预测剩余事件的序列相似性和时间戳的平均绝对误差（MAE）的指标中，本文中的方法匹配或超过了先前的研究，具体取决于所选对象属性是否是模型的有用特征。此外，本文提供了一个Web界面，以预测用户输入中的下一个活动序列。
translated by 谷歌翻译
在未知环境中的搜索和救援（SAR）需要精确，最佳和快速的决策。机器人是在未知环境中自主执行SAR任务的有希望的候选人。尽管人类利用启发式方法有效地处理不确定性，但在存在物理和控制约束的情况下，在存在的多个目标是需要机器计算的数学挑战。因此，对于SAR机器人，需要具有人为灵感和数学控制能力。此外，在大规模SAR任务中以很少的计算成本协调机器人的决策是一个开放的挑战。最后，在现实生活中，SAR机器人感知到的数据可能容易出现不确定性。我们引入了层次多代理控制体系结构，该体系结构利用了SAR机器人的非均匀和不完美感知能力，以及分散控制方法的计算效率和鲁棒性，以及集中控制方法的全球性能改善。所提出的控制框架的集成结构允许以协调和计算有效的方式将人类灵感和数学决策方法结合在一起。各种基于计算机的模拟的结果表明，虽然所提出的方法的面积覆盖范围与针对面向覆盖范围的SAR特别开发的现有启发式方法相媲美，但引入方法在定位被困受害者方面的效率显着更高。此外，随着相当的计算时间，提出的控制方法成功地避免了非合作方法中存在的潜在冲突。这些结果证实，所提出的多代理控制系统能够以平衡且协调的方式将面向覆盖率和目标的SAR组合在一起。
translated by 谷歌翻译
权重规范$ \ | w \ | $和保证金$ \ gamma $通过归一化的保证金$ \ gamma/\ | w \ | $参与学习理论。由于标准神经净优化器不能控制归一化的边缘，因此很难测试该数量是否与概括有关。本文设计了一系列实验研究，这些研究明确控制了归一化的边缘，从而解决了两个核心问题。首先：归一化的边缘是否总是对概括产生因果影响？本文发现，在归一化的边缘似乎与概括没有关系的情况下，可以与Bartlett等人的理论背道而驰。（2017）。第二：标准化边缘是否对概括有因果影响？该论文发现是的 - 在标准培训设置中，测试性能紧密跟踪了标准化的边距。该论文将高斯流程模型表示为这种行为的有前途的解释。
translated by 谷歌翻译
由于长距离，照明变化，有限的用户合作和移动科目，虹膜分割和定位在不受约束环境中具有挑战性。为了解决这个问题，我们介绍了一个U-Net，具有预先培训的MobileNetv2深神经网络方法。我们使用MobileNetv2的预先训练的权重，用于想象成数据集，并在虹膜识别和本地化域上进行微调。此外，我们推出了一个名为Kartalol的新数据集，以更好地评估虹膜识别方案中的检测器。为了提供域适应，我们可以在Casia-Iris-Asia，Casia-Iris-M1和Casia-Iris-Africa和Casia-Iris-Africa和我们的数据集中微调MobileNetv2模型。我们还通过执行左右翻转，旋转，缩放和亮度来增强数据。我们通过迭代所提供的数据集中的图像来选择二进制掩码的二值化阈值。沿着Kartalol DataSet，Casia-Iris-Asia，Casia-Iris-M1，Casia-Iris-M1，Casia-Iris-M1，Casia-Iris-M1，Casia-Iris-M1，Casia-Iris-M1培训。实验结果强调了我们的方法在基于移动的基准上超越了最先进的方法。代码和评估结果在https://github.com/jalilnkh/kartalol-nir -isl2021031301上公开可用。
translated by 谷歌翻译