Inteligentne techniki szacowania w zarządzaniu nieoczekiwanymi sytuacjami

Aktywne systemy maj¿ kluczowe znaczenie dla obs¿ugi dynamicznych zdarze¿ w ró¿nych domenach, w tym w procesach biznesowych. Pierwsza praca wprowadza inteligentn¿ metod¿ wykorzystuj¿c¿ kodowanie liczb cäkowitych do wst¿pnego przetwarzania dziennika, optymalizacj¿ nietoperzy do wyboru funkcji oraz g¿¿bokie konwolucyjne sieci neuronowe do wykrywania nieprawid¿owych zdarze¿, chociä CNN nie maj¿ spójno¿ci przestrzennej. Aby temu zaradzi¿, druga praca implementuje Eclat-based Association Rule Mining (EARM) do wykrywania i priorytetyzacji nieprawid¿owych zdarze¿, ale generuje nadmierne zestawy kandydatów i wymaga obszernego skanowania bazy danych. Trzecia praca poprawia przewidywanie incydentów w systemach lotniczych poprzez integracj¿ optymalizacji migracji zwierz¿t (AMO) z eksploracj¿ regu¿ asocjacyjnych (ARM), gdzie Apriori generuje regu¿y asocjacyjne, a AMO udoskonala je, eliminuj¿c regu¿y o niskiej u¿yteczno¿ci. Kodowanie one-hot jest stosowane do konwersji numerycznej, zapewniaj¿c wydajne wyprowadzanie zdarze¿. To ustrukturyzowane podej¿cie optymalizuje wydajno¿¿ obliczeniow¿, jednocze¿nie poprawiaj¿c dok¿adno¿¿ wykrywania zdarze¿ i priorytetyzacj¿.