概率流上复杂事件处理的研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-20页 |
| ·复杂事件处理的研究背景 | 第12-14页 |
| ·复杂事件处理的研究现状 | 第14-17页 |
| ·面向确定数据的复杂事件处理 | 第14-16页 |
| ·面向不确定数据的复杂事件处理 | 第16-17页 |
| ·本文的研究内容 | 第17-19页 |
| ·本文结构 | 第19-20页 |
| 第2章 相关知识介绍 | 第20-32页 |
| ·贝叶斯网络 | 第20-21页 |
| ·贝叶斯网络的组成和特点 | 第20-21页 |
| ·贝叶斯网络的应用 | 第21页 |
| ·支持向量机 | 第21-26页 |
| ·支持向量机算法的特点 | 第22页 |
| ·支持向量机的原理 | 第22-25页 |
| ·支持向量机回归 | 第25-26页 |
| ·复杂事件检测技术 | 第26-28页 |
| ·复杂事件的检测方法 | 第26-27页 |
| ·复杂事件检测的基本模型 | 第27-28页 |
| ·事件预测 | 第28-30页 |
| ·本章小结 | 第30-32页 |
| 第3章 概率流上复杂事件检测算法研究 | 第32-48页 |
| ·概率流模型 | 第32-36页 |
| ·事件模型 | 第32-34页 |
| ·CP-Tree结构 | 第34-36页 |
| ·形成概率流 | 第36页 |
| ·查询接口 | 第36-37页 |
| ·启发式搜索的复杂事件检测算法 | 第37-44页 |
| ·有序匹配模式的检测 | 第38-40页 |
| ·含有无序匹配模式的检测 | 第40-42页 |
| ·概要模式的检测 | 第42-44页 |
| ·放大阈值过滤算法 | 第44-45页 |
| ·HSF-CED复杂事件检测算法的流程 | 第45页 |
| ·本章小结 | 第45-48页 |
| 第4章 概率流上事件预测算法研究 | 第48-58页 |
| ·基于语义向量的预测 | 第48-51页 |
| ·概率流上的语义向量 | 第48-49页 |
| ·语义向量的构造 | 第49-51页 |
| ·SVC-SVREP的训练集 | 第51-54页 |
| ·语义向量生成训练样本 | 第51-52页 |
| ·通过聚类生成新的训练样本 | 第52-54页 |
| ·基于语义向量的预测和更新算法 | 第54-56页 |
| ·SVC-SVREP的预测 | 第54-55页 |
| ·SVC-SVREP的更新 | 第55-56页 |
| ·SVC-SVREP的预测流程 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 实验分析 | 第58-66页 |
| ·实验设置 | 第58页 |
| ·HSF-CED性能分析 | 第58-61页 |
| ·SVC-SVREP性能分析 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 第6章 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士期间参加的项目和发表的论文 | 第74页 |
