CN111008783A - 一种基于奇异值分解的工厂加工流程推荐方法 - Google Patents

一种基于奇异值分解的工厂加工流程推荐方法 Download PDF

Info

Publication number
CN111008783A
CN111008783A CN201911231464.2A CN201911231464A CN111008783A CN 111008783 A CN111008783 A CN 111008783A CN 201911231464 A CN201911231464 A CN 201911231464A CN 111008783 A CN111008783 A CN 111008783A
Authority
CN
China
Prior art keywords
flow
flows
library
factory
gram
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911231464.2A
Other languages
English (en)
Other versions
CN111008783B (zh
Inventor
王佳星
曹斌
范菁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201911231464.2A priority Critical patent/CN111008783B/zh
Publication of CN111008783A publication Critical patent/CN111008783A/zh
Application granted granted Critical
Publication of CN111008783B publication Critical patent/CN111008783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于奇异值分解的工厂加工流程推荐方法，包括：将正在建模的工厂加工流程“参考流程”及流程库中的所有工厂加工流程转化为对应的基于任务节点的过程结构树；提取流程库中每个加工流程对应TPST的m,n‑gram集合，其中一个m,n‑gram表示的是一个加工流程的部分结构和行为特征；对流程库中每个工厂加工流程的m,n‑gram集合取并集，建立基于流程库中所有加工流程的一个关联矩阵；对关联矩阵进行奇异值分解，根据分解结果将流程库中的流程分为若干类；在每一类流程中任取一个加工流程与“参考流程”进行相似度计算，相似度最高的流程所在的那一类中的所有流程都作为“参考流程”的推荐流程。本发明只需进行一次计算就能得到“参考流程”最的推荐流程，大大降低了计算空间。

Description

一种基于奇异值分解的工厂加工流程推荐方法
技术领域
本发明涉及一种基于奇异值分解的工厂加工流程推荐方法。
背景技术
随着业务流程模型管理(Business Process Management,BPM)技术的发展， 越来越多的工厂开始创建自己的流程模型库。例如，一个五金配件厂就拥有大量 的流程模型，包括五金配件制造、调度安排、质量检查、车间加工、过程监控等 流程。一个家电制造工厂涉及的流程模型有电视制造流程、冰箱制造流程、空调 制造流程、电扇制造流程等。这些流程模型是工厂的重要资产，有效地管理可以 为工厂提高效率、增加利润。流程推荐技术作为一种流程模型管理技术在业务流 程领域越来越重要：给定一个正在建模的“参考流程”以及一个包含多个流程等 流程库，通过计算“参考流程”和流程库中每个流程的相似度，从而推荐给建模 人员在流程库中与“参考流程”最相似的前k个流程，进而帮助建模人员更加准 确、高效地建模“参考流程”。传统的做法是将流程库中的所有流程逐一与“参 考流程”进行相似度计算，从而选择前k个最相似的流程。然而，这样的做法需 要多次迭代，流程库中包含的流程数目越多，相似度的计算量就越大。由此，迫 切需要一种更加高效的技术来给“参考流程”进行流程推荐。
发明内容
为了克服现有技术的上述缺点，给正在建模的“参考流程”推荐流程库中的 一系列相关流程，进而帮助建模人员高效、准确地进行“参考流程”的建模，本 发明提出一种基于奇异值分解的工厂加工流程推荐方法。通过对流程库中所有流 程提取结构及行为的特征，从而得到一个基于流程库中所有流程特征的关联矩阵， 对关联矩阵进行一次计算就能对流程库中的流程进行分类，进而得到“参考流程” 的推荐流程，打破了需要遍历流程库中的流程，进行两两迭代计算流程间相似度 的局限性，大大减少了计算量，从而提高了计算效率。
基于奇异值分解的工厂加工流程推荐方法，包括以下步骤：
(1)输入一个工厂加工“参考流程”和包含n个工厂加工流程的流程库；
(2)取未处理过的一个工厂加工流程，将其转化为对应的基于任务节点的 过程结构树(Task-based process structure tree,TPST)；
(3)提取TPST的m,n-grams。首先确定m和n的值，从而固定m,n-gram 的形状，进而扫描一遍TPST来获得m,n-gram的集合。一个m,n-gram是TPST 的一部分，呈扫把形状，上部分的扫把柄是由m个具有祖先-后代关系的节点组 成的，下部分的扫把头是由上部分最后一个节点的孩子节点组成；
(4)重复步骤(2)和(3)，直到把所有的输入流程都处理完；
(5)对于流程库中的n个工厂加工流程，建立它们的一个关联矩阵R；
进一步，步骤(5)具体包括：
(5.1)对流程库中每一个工厂加工流程的m,n-gram集合取并集；
(5.2)统计并集中每一个m,n-gram在每个流程中出现的次数；
(5.3)建立一个关联矩阵R，其中的每一行代表并集中的一个m,n-gram， 每一列代表流程库中的一个工厂加工流程，第i行第j列元素代表并集中第i 个m,n-gram出现在第j个流程中的次数；
(6)对关联矩阵R进行奇异值分解，根据分解结果将流程库中的流程分为 若干类；
进一步，步骤(6)具体包括：
(6.1)根据奇异值分解的定义R＝USV’，将m×n阶的关联矩阵R分解成3 个矩阵U、S和V’，其中U是一个m×m的酉矩阵，S是一个半正定的m×n的对 角矩阵，V’是一个n×n的酉矩阵；
(6.2)在V’中，每一行代表一个流程，每一列代表一个特定的类别，每一 个元素表示某个流程属于某一类的可能性，选取可能性最大的那个类别作为某个 流程的分类结果，从而将流程库中的所有流程分为k类；
(7)在k类工厂加工流程中选择最合适的一类进行流程推荐；
进一步，步骤(7)具体包括：
(7.1)在每一类流程中，任选一个流程p与“参考流程”c进行相似度计算， 即先取p与c的m,n-gram并集，然后统计并集中每个m,n-gram在p与c中出现 的次数，从而建立p与c的特征向量，通过计算每一类中的流程与c的特征向量 间的余弦相似度，得到k个相似度；
(7.2)选择相似度最大的流程所在的类，并将该类中的所有流程都作为“参 考流程”的推荐流程。
本发明的技术构思是：先将流程转换为对应的TPST，从而简化计算的复杂 度。在进行流程推荐之前，先对流程库中的流程进行分类，然后再计算“参考流 程”与所分类流程之间的相似度，大大缩减了计算空间，减少了流程库中的流程 与“参考流程”间的相似度计算次数，从而提高了计算的效率，保证了流程推荐 的高效性。
本发明的优点是：无需对流程库中的每个流程都与“参考流程”进行相似度 计算，只需进行一次计算就能得到推荐流程，大大提高了计算效率和实际的可用 性。
附图说明
图1是本发明的总的流程图。
图2是流程库中的5个五金加工流程(Process 1-Process 5)的示意图。
图3是图2中5个流程模型转换的TPST。
图4是m,n-gram提取过程。
图5是图3中5个TPST的m,n-grams示意图。
图6是正在建模的“参考流程”及其TPST示意图。
具体实施方式
下面参考附图进一步说明本发明的技术方案。
本发明的基于奇异值分解的工厂加工流程推荐方法，包括以下步骤：
(1)输入一个工厂加工“参考流程”和一个包含n个工厂加工流程的流程 库；
(2)取未处理的一个工厂加工流程，将其转化为对应的基于任务节点的过 程结构树(Task-based process structure tree,TPST)；
(3)提取TPST的m,n-gram集合，其中的m，n是自定义的；
(4)重复步骤(2)和(3)，直到把所有的输入流程都处理完；
(5)基于流程库中的所有工厂加工流程，建立它们的一个关联矩阵R，具体 包括以下几个步骤：
(5.1)对流程库中每个工厂加工流程的m,n-gram集合取并集；
(5.2)统计并集中每个m,n-gram在每个流程中出现的次数；
(5.3)建立一个关联矩阵R，其中的每一行代表并集中的一个m,n-gram， 每一列代表流程库中的一个工厂加工流程，第i行第j列元素代表并集中第i 个m,n-gram出现在第j个流程中的次数；
(6)对关联矩阵R进行奇异值分解，根据分解结果将流程库中的流程分为 若干类，具体包括以下几个步骤；
(6.1)根据奇异值分解的定义R＝USV’，将R分解成3个矩阵；
(6.2)在V’中，每一行代表一个流程，每一列代表一个特定的类别，每一 个元素表示某个流程属于某一类的可能性，选取可能性最大的那个类别作为某个 流程的分类结果，从而将流程库中的所有流程分为k类；
(7)在k类工厂加工流程中选择最合适的一类进行流程推荐，具体包括以 下几个步骤：
(7.1)在每一类流程中，任选一个流程与“参考流程”进行相似度计算， 得到k个相似度；
(7.2)选择相似度最大的流程所在的类，并将该类中的所有流程都作为“参 考流程”的推荐流程。
图2表示流程库中的5个五金加工流程，其中的任务A、B、C、D、F、G、H、 I分别表示“开料”、“锣切”、“冲床”、“喷漆”、“抛光加工”、“免腐蚀加工”、“电 镀”以及“组装”。“Start”和“end”表示一个五金加工流程的开始和结束节点。 “And-split”和“And-join”分别表示的是一个并行结构的开始和结束，在一 个并行结构中的任务节点都能够被同时执行。“Xor-split”和“Xor-join”分别 表示的是一个选择结构的开始和结束，一个选择结构包含多条执行支路，只有其 中的一条支路会被执行。“Loop-split”和“Loop-join”表示的是一个并行结 构的开始和结束，在并行结构中的任务节点能够被重复执行多次。
图3表示的是图2中5个五金加工流程转换而来的基于任务节点的过程结构 树(TPST)。一个TPST中的叶子节点对应的是一个流程模型中的任务节点，中间 节点代表是的流程模型中的控制流结构，共有“Sequence”、“And”、“Xor”和“Loop” 四种，分别对应顺序、并行、选择和循环结构，其中顺序和循环结构中的任务节 点是有序执行的，而并行和选择结构中的任务节点的执行是无序的。
图4表示的是对一个TPST提取m,n-gram的过程。一个m,n-gram是TPST 的一部分，呈扫把形状，上部分的扫把柄是由m个具有祖先-后代关系的节点组 成的，下部分的扫把头是由上部分最后一个节点的孩子节点组成。m,n-gram的 提取过程共分为3个步骤：孩子节点排序、m，n-窗口滑动、m，n-gram序列生 成。首先，由于And和Xor结构中的孩子节点是无序的，本发明对这两个结构下 的孩子节点按照字典顺序进行排序，例如图4中的TPST包含一个And和一个Xor 节点，它们的孩子节点分别为{Xor，D}以及{C，B}。对它们的孩子节点按字典顺 序进行排序之后的结果分别为{D，Xor}以及{B，C}。接着，设定m和n的值， 然后固定m，n-gram的形状，在TPST中从上到下、从左至右进行窗口滑动，提 取出所有m，n取值对应的m，n-gram。本例中，m，n分别设置为1和2，由此 能够得到图4下面的4个1,2-gram。最后，对于得到的每一个m，n-gram，对其 进行层序遍历，记录下节点标签，从而组成一个m，n-gram序列。图5展示的是 对图2中5个五金加工流程提取1,1-gram、2,1-gram、1,2-gram以及2,2-gram的结果图。
一个关联矩阵的数据结构如下面所示，其中的每一列代表一个流程，每一行 代表一个m，n-gram，其中的元素aij表示的是第j个流程中出现第i个m，n-gram 的次数。
Figure BDA0002303669490000051
下面是对图2中5个流程建立的关联矩阵，其中的5列代表5个流程，每一 行代表5个流程中所有m，n-gram并集的其中一个m，n-gram。例如，第一行第 一列元素表示的是Process 1中包含了一个“Sequence A”序列。
Figure BDA0002303669490000061
随后，根据矩阵的奇异值分解定义，将关联矩阵R分解为U、S和V三个矩 阵，其中R为m×n阶阶，U是一个m×m的酉矩阵，S是一个半正定的m×n的对 角矩阵，V是一个n×n的酉矩阵，且R＝USV’。对于上述关联矩阵，对其进行奇 异值分解之后，得到的V’如下面所示，5行分别对应Process 1、Process 2、 Process 3、Process 4和Process5，每一行最大的值所对应的列表示对应流程 最大可能是属于这个类别的。
Figure BDA0002303669490000071
根据V’的结果，第一行、第二行和第三行的最大值都是在第4个，而第四 行和第五行的最大值都是第1个，由此Process 1、Process 2、Process 3是属 于一类的，Process 4和Process 5是属于一类的，由此得到了2个类别的流程。
图6中展示的是正在建模的“参考流程”，已建模片段为开始节点“start”、 “开料”和“冲床”(任务A和C)，且这两个任务节点是顺序执行的，即先“开 料”再“冲床”。对于后半部分，要用到哪些任务节点、以什么样的结构进行建 模，可以参考现有流程库中的相关流程。现有流程库中的流程已经被分成了2 个类别，在每个类别中任选一个流程与“参考流程”进行相似度计算，假定第一 类中选择了Process 3，第二类中选择了Process 5。在计算相似度之前先要得 到它们的特征向量。对于“参考流程”和Process 3，首先得到它们的m，n-gram 并集，随后统计并集中每个m，n-gram在“参考流程”和Process 3中出现的次 数，所得的结果如下面所示。
Figure BDA0002303669490000081
相同地，建立“参考流程”和Process 5的特征向量，如下面所示。
Figure RE-GDA0002358666040000082
用两个流程的特征向量[A1,A2,…,An]、[B1,B2,…,Bn]之间的余弦相似度来 代替两个流程之间的相似度，计算公式如下：
Figure BDA0002303669490000083
根据公式1，“参考流程”和Process 3的余弦相似度约为0.396，“参考流 程”和Process 5的余弦相似度约为0.183。由此，将Process 3所在类的流程， 即Process 1、Process 2和Process 3，作为“参考流程”的推荐流程。
本发明打破了需要两两迭代计算“参考流程”和流程库中所有流程之间的相 似度，从而推荐流程库中前k个与“参考流程”最相似流程的局限性，只需进行 一次计算就能得到“参考流程”最的推荐流程，大大降低了计算空间，提高了计 算效率和实际的可用性。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的 保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及 于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (2)

1.一种基于奇异值分解的工厂加工流程推荐方法。包括以下步骤：
(1)输入一个工厂加工流程“参考流程”和一个包含n个工厂加工流程的流程库；
(2)取未处理过的一个加工流程，将其转化为对应的基于任务节点的过程结构树(Task-based process structure tree,TPST)；
(3)提取TPST的所有m,n-gram；
(4)重复步骤(2)和(3)，直到把所有的输入流程都处理完；
(5)基于流程库中的所有工厂加工流程，建立它们的一个关联矩阵R，具体包括：
(5.1)对流程库中每个工厂加工流程的m,n-gram集合取并集；
(5.2)统计并集中每个m,n-gram在流程库中每个流程中出现的次数；
(5.3)建立一个关联矩阵R，其中的每一行代表并集中的一个m,n-gram，每一列代表流程库中的一个工厂加工流程，第i行第j列元素代表并集中第i个m,n-gram出现在第j个流程中的次数；
(6)对关联矩阵R进行奇异值分解，根据分解结果将流程库中的加工流程分为若干类，具体包括；
(6.1)根据奇异值分解的定义R＝USV’，将R分解成3个矩阵；
(6.2)在V’中，每一行代表一个流程，每一列代表一个特定的类别，V’中每一个元素表示某个流程属于某一类别的可能性，选取可能性最大的那个类别作为某个流程的分类结果，从而将流程库中的所有流程分为k类；
(7)在k类工厂加工流程中选择最合适的一类进行流程推荐，具体包括：
(7.1)在每一类流程中，任选一个流程与“参考流程”进行相似度计算，得到k个相似度；
(7.2)选择相似度最大的流程所在的类，并将该类中的所有流程都作为“参考流程”的推荐流程。
2.如权利要求1所述的一种基于奇异值分解的工厂加工流程推荐方法，其特征在于：(1)将工厂加工流程转换为基于任务节点的过程结构树，由此可以降低计算的复杂度；(2)用描述流程库中所有工厂加工流程的部分结构和行为特征的m,n-gram并集来建立一个关联矩阵；(2)对关联矩阵进行奇异值分解，根据分解结果将流程库中的流程分为若干类，取与“参考流程”相似度最高的这一类作为其最终的参考流程。
CN201911231464.2A 2019-12-05 2019-12-05 一种基于奇异值分解的工厂加工流程推荐方法 Active CN111008783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911231464.2A CN111008783B (zh) 2019-12-05 2019-12-05 一种基于奇异值分解的工厂加工流程推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911231464.2A CN111008783B (zh) 2019-12-05 2019-12-05 一种基于奇异值分解的工厂加工流程推荐方法

Publications (2)

Publication Number Publication Date
CN111008783A true CN111008783A (zh) 2020-04-14
CN111008783B CN111008783B (zh) 2022-03-18

Family

ID=70114826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911231464.2A Active CN111008783B (zh) 2019-12-05 2019-12-05 一种基于奇异值分解的工厂加工流程推荐方法

Country Status (1)

Country Link
CN (1) CN111008783B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379399A (zh) * 2021-08-13 2021-09-10 南京新一代人工智能研究院有限公司 一种基于状态转移概率模型的rpa组件推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090089314A1 (en) * 2007-09-28 2009-04-02 Cory Hicks Duplicate item detection system and method
CN106445920A (zh) * 2016-09-29 2017-02-22 北京理工大学 利用句义结构特征的句子相似度计算方法
CN107145505A (zh) * 2017-03-22 2017-09-08 浙江工业大学 基于匈牙利算法的工厂制造流程模型相似检索方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090089314A1 (en) * 2007-09-28 2009-04-02 Cory Hicks Duplicate item detection system and method
CN106445920A (zh) * 2016-09-29 2017-02-22 北京理工大学 利用句义结构特征的句子相似度计算方法
CN107145505A (zh) * 2017-03-22 2017-09-08 浙江工业大学 基于匈牙利算法的工厂制造流程模型相似检索方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LI, CHUANJUN 等: "A novel indexing approach for efficient and fast similarity search of captured motions", 《ADVANCES IN KNOWLEDGE DISCOVERY AND DATA MINING, PROCEEDINGS》 *
WANG, JIAXING 等: "Detecting Difference Between Process Models Using Edge Network", 《IEEE ACCESS》 *
柳林燕: "面向数控机床数字化设计过程的知识集成关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379399A (zh) * 2021-08-13 2021-09-10 南京新一代人工智能研究院有限公司 一种基于状态转移概率模型的rpa组件推荐方法

Also Published As

Publication number Publication date
CN111008783B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
Gramacy et al. Adaptive design and analysis of supercomputer experiments
US8140301B2 (en) Method and system for causal modeling and outlier detection
CN108647226B (zh) 一种基于变分自动编码器的混合推荐方法
CN113064586B (zh) 一种基于抽象语法树增广图模型的代码补全方法
CN110390014B (zh) 一种主题挖掘方法、装置及存储介质
CN113010683A (zh) 基于改进图注意力网络的实体关系识别方法及系统
CN112529071B (zh) 一种文本分类方法、系统、计算机设备和存储介质
Chen A hybrid SOM-BPN approach to lot output time prediction in a wafer fab
CN111008783B (zh) 一种基于奇异值分解的工厂加工流程推荐方法
CN112270615A (zh) 基于语义计算的复杂装备制造bom智能分解方法
CN117763360B (zh) 基于深度神经网络的训练集快速分析方法及电子设备
Seol et al. Design process modularization: concept and algorithm
Jha et al. Active Learning for Discrete Latent Variable Models
EP2348403B1 (en) Method and system for analyzing a legacy system based on trails through the legacy system
Brzozowska et al. Data engineering in CRISP-DM process production data–case study
CN111967501B (zh) 一种遥测原始数据驱动的载荷状态判别方法及判别系统
Zhang et al. Improving Training Efficiency of Diffusion Models via Multi-Stage Framework and Tailored Multi-Decoder Architecture
Carbery et al. A new data analytics framework emphasising pre-processing in learning AI models for complex manufacturing systems
Matar et al. A Predictive Model for Students Admission Uncertainty Using Naïve Bayes Classifier and Kernel Density Estimation (KDE)
Wang et al. Structurally Prune Anything: Any Architecture, Any Framework, Any Time
CN110210691B (zh) 资源推荐方法、装置、存储介质及设备
Haiyan et al. A rework reduction mechanism in complex projects using design structure matrix clustering methods
Kravets On approach for the development of patents analysis formal metrics
CN112051987A (zh) 业务数据处理方法、装置及设备、程序生成方法及装置
BILLIO et al. The simulated likelihood ratio method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant