| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-15页 |
| ·研究背景 | 第11-12页 |
| ·课题的研究现状 | 第12-13页 |
| ·论文主要工作 | 第13-14页 |
| ·论文组织结构 | 第14-15页 |
| 第2章 复杂事件处理引擎的相关技术 | 第15-28页 |
| ·概述 | 第15-16页 |
| ·事件模型 | 第16-18页 |
| ·事件的定义 | 第16-17页 |
| ·数据模型 | 第17页 |
| ·事件间的关系 | 第17-18页 |
| ·复杂事件处理引擎体系结构 | 第18-19页 |
| ·规则定义 | 第19-22页 |
| ·组合操作表达式 | 第20-21页 |
| ·数据流查询语言 | 第21页 |
| ·产生式规则 | 第21-22页 |
| ·事件检测模型 | 第22-25页 |
| ·其他相关技术 | 第25-27页 |
| ·窗口技术 | 第25-26页 |
| ·容错技术 | 第26页 |
| ·预测技术 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 自适应的事件处理规则模型 | 第28-46页 |
| ·事件处理规则的研究现状 | 第28-29页 |
| ·ARM 的提出 | 第29-32页 |
| ·ARM 提出的必要性 | 第29-30页 |
| ·卡尔曼过滤器技术 | 第30页 |
| ·机器学习技术 | 第30-31页 |
| ·ARM 自适应过程 | 第31-32页 |
| ·基本定义 | 第32-34页 |
| ·几个事件概念 | 第32-33页 |
| ·ARM 规则的定义 | 第33页 |
| ·状态空间和事件区间序列空间定义 | 第33-34页 |
| ·反馈定义 | 第34页 |
| ·ARM 自适应机制 | 第34-39页 |
| ·规则参数预测 | 第35-36页 |
| ·事件区间序列推断 | 第36-37页 |
| ·规则参数更正 | 第37-38页 |
| ·迭代过程 | 第38-39页 |
| ·学习案例 | 第39-42页 |
| ·现有的规则 | 第39-40页 |
| ·参数提取 | 第40页 |
| ·参数的预测及更正算法 | 第40-42页 |
| ·仿真实验与分析 | 第42-45页 |
| ·数据集的选择 | 第42页 |
| ·实验环境设置 | 第42页 |
| ·学习能力分析实验 | 第42-43页 |
| ·区间个数对性能的影响实验 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于区间时间约束的复杂事件检测模型 | 第46-69页 |
| ·有关基于区间时间约束的事件检测技术 | 第46-47页 |
| ·事件检测技术的研究现状 | 第46页 |
| ·研究的必要性 | 第46-47页 |
| ·时间关系的研究 | 第47-49页 |
| ·时间的相关概念 | 第47-48页 |
| ·Allen 时间关系 | 第48-49页 |
| ·基于区间时间约束的事件 | 第49-51页 |
| ·区间事件的语义 | 第49-50页 |
| ·区间事件的时间关系 | 第50页 |
| ·区间事件的数据模型 | 第50-51页 |
| ·基于时间区间约束的检测模型 | 第51-55页 |
| ·基于时间区间约束的检测操作子 | 第51页 |
| ·基于事件区间约束的检测模型 | 第51-55页 |
| ·基于 TBDM 的检测算法 | 第55-59页 |
| ·检测过程描述 | 第55-56页 |
| ·TBDM-DETECTION 检测算法 | 第56-59页 |
| ·算法优化 | 第59-63页 |
| ·约束下移和分区实例栈的运用 | 第59-60页 |
| ·优化后的检测过程 | 第60-61页 |
| ·TBDM-EXTENED-DETECTION 检测算法 | 第61-63页 |
| ·仿真实验与分析 | 第63-68页 |
| ·实验环境设置 | 第63-64页 |
| ·实验方案 | 第64页 |
| ·匹配序列长度对性能的影响实验 | 第64-66页 |
| ·平均区间长度对性能的影响实验 | 第66页 |
| ·事件源个数对性能的影响实验 | 第66-68页 |
| ·实验结论 | 第68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |