基于機器學習方法的可信Web服務發(fā)現(xiàn)關鍵技術研究.pdf_第1頁
已閱讀1頁,還剩128頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著互聯(lián)網(wǎng)和云計算的不斷發(fā)展,Web服務技術逐漸成為當前的一大研究熱點。在Web服務技術眾多研究主題中,可信Web服務發(fā)現(xiàn)已成為國際上亟待解決的重要課題。對于部署在分布、開放、多變、難控網(wǎng)絡環(huán)境下的海量Web服務,如何保證其能夠正確、安全和快速地為用戶提供滿足其需求的可信服務顯得尤為重要。因此,進行高可信的Web服務發(fā)現(xiàn)研究具有一定的戰(zhàn)略性、基礎性和前瞻性,對我國軟件業(yè)發(fā)展具有重大意義。本文通過引入機器學習領域中的核基學習、度量學習和稀

2、疏學習理論,結合自組織映射(Self-Organizing Map,SOM)神經(jīng)網(wǎng)絡和分類器正則化技術,以基于WSDL(Web ServiceDescription Language)語言描述的Web服務為研究對象,對可信Web服務發(fā)現(xiàn)領域中的若干關鍵問題進行了研究,并取得了一些成果。
  本研究主要內容包括:⑴提出了一個基于WordNet和概念語義降維的輕量級語義Web服務發(fā)現(xiàn)模型。該模型通過引入WordNet和隱含語義索引技術

3、對Web服務進行輕量級語義特征提取,使得低維緊致的服務表示向量具有更符合其真實語義的特征描述;同時,為了更好地評價真實Web服務的相似性,該模型還引入了一種基于核基相似性度量的Web服務匹配機制,克服了傳統(tǒng)服務匹配機制忽略樣本分布統(tǒng)計特性的局限性。⑵提出了一種核Batch SOM神經(jīng)網(wǎng)絡學習算法,并由此構建了一類核Batch SOM神經(jīng)網(wǎng)絡聚類優(yōu)化的Web服務發(fā)現(xiàn)模型。該模型通過對Web服務進行自適應聚類管理,將功能相同或相近的Web服

4、務聚合在一起,從中抽取類標識服務來輔助Web服務的注冊、查找等,可以大大縮小服務搜索的匹配空間,從而提高服務發(fā)現(xiàn)的效率。⑶提出了一種Web服務有監(jiān)督特征提取和自適應相似性評價機制。首先通過引入逆類別頻率改進傳統(tǒng)的無監(jiān)督術語加權機制,提出了一種融合類先驗信息的有監(jiān)督Web服務特征提取方法;其次通過引入大間隔度量學習理論,提出了一種基于類先驗信息的服務相似性度量學習方法。這兩種方法都能有效區(qū)分樣本特征的相關性和無關性,合理揭示數(shù)據(jù)的內在分布

5、結構。由此構建的基于有監(jiān)督服務表示和自適應相似性評價的聚類優(yōu)化Web服務發(fā)現(xiàn)模型驗證了這兩種方法的有效性。⑷提出了一種基于結構化噪聲矩陣補全的可信Web服務QoS預測機制。首先通過引入L2,1范數(shù)正則化技術將Web服務QoS預測問題建模為一類結構化噪聲矩陣補全問題。其次,為了有效地求解該結構化噪聲矩陣補全問題,提出了一種基于算子分裂技術的結構化噪聲矩陣補全算法(OSMCSN)。真實數(shù)據(jù)集上的實驗結果表明,OSMCSN算法不僅可以顯著提高

6、Web服務QoS預測精度,還能準確探測出采樣矩陣中的噪聲行位置信息,從而實現(xiàn)對操縱和篡改QoS信息的不誠實用戶進行預警。⑸提出了一類多值多對多高斯聯(lián)想記憶神經(jīng)網(wǎng)絡模型,并且對該模型的漸近穩(wěn)定性,存儲容量和糾錯能力進行了分析?;诼?lián)想的圖像檢索應用證實了該模型的魯棒性能。特別地,由于概念語義網(wǎng)絡是體現(xiàn)Web服務語義和智能的重要載體,其聯(lián)想和推理能力直接關系到Web服務的查詢精度及組合效率,因此,將該模型應用于Web服務概念語義網(wǎng)絡的智能管

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論