Los sistemas activos son cruciales para gestionar eventos dinámicos en diversos ámbitos, incluidos los procesos empresariales. El primer trabajo introduce un método inteligente que utiliza la codificación entera para el preprocesamiento de registros, la optimización Bat para la selección de características y las redes neuronales convolucionales profundas para la detección de eventos anómalos, aunque las CNN carecen de coherencia espacial. Para solucionar este problema, el segundo trabajo implementa la minería de reglas de asociación basada en Eclat (EARM) para detectar y priorizar sucesos anómalos, pero genera conjuntos de candidatos excesivos y requiere un análisis exhaustivo de la base de datos. El tercer trabajo mejora la predicción de incidentes en sistemas aeroespaciales integrando la Optimización de la Migración Animal (AMO) con la Minería de Reglas de Asociación (ARM), donde Apriori genera reglas de asociación y AMO las refina eliminando las reglas de baja utilidad. Para la conversión numérica se aplica la codificación de una sola vez, lo que garantiza una derivación eficiente de los eventos. Este enfoque estructurado optimiza la eficiencia computacional al tiempo que mejora la precisión de la detección de eventos y la priorización.
Bitte wählen Sie Ihr Anliegen aus.
Rechnungen
Retourenschein anfordern
Bestellstatus
Storno







