下载文档原格式
MWPMA工作流频繁模式挖掘算法余婷婷【摘要】针对企业工作效率日益提高的需求，根据现有企业工作流管理系统的不足，对Apriori算法进行优化，提出MWPMA工作流频繁模式挖掘算法。
【期刊名称】《黑龙江科技信息》【年(卷),期】2012(000)011【总页数】2页(P32-33)【关键词】MWPMA;工作流频繁模式;挖掘算法【作者】余婷婷【作者单位】无锡职业技术学院,江苏无锡214121【正文语种】中文【中图分类】TP399在竞争日益激烈今天，提高企业工作效率，优化企业工作流程无疑是至关重要的，而工作流管理系统正是基于这种形势应运而生的。
针对现有企业工作流管理系统的不足，为了提高工作流对动态不确定因素的适应能力，引入了工作流频繁模式。
对频繁模式给出了明确的定义，并在Apriori算法基础上提出了一种工作流频繁模式挖掘算法。
该频繁模式以工作流管理系统日志为基础，可以量化活动间逻辑关系的强弱，在关键活动处提供工作流后续走势预测以及商业决策和风险预测等方面支持。
本文主要通过扩展经典的Apriori算法挖掘工作流频繁模式。
Apriori算法中频繁项集仅是一个事务中项的集合，没有顺序关系，但在工作流频繁模式挖掘算法中活动间有先后顺序，而且还存在并行结构，所以采用活动间依赖关系作为频繁项集和候选项集的项，即每个实例表示为形如dij=n（n=1，0，-1）的依赖矩阵元素集合，通过函数CompMatrixPatterns计算频繁项集，再通过函数CompPatterns得到最终的工作流频繁模式集合。
此外，Apriori算法中对频繁项没有要求，但在工作流模型中，依赖矩阵Di包含活动集合AS（Di）中任意活动间的依赖关系，其表示的模型才具有意义，所以工作流模式挖掘中，要求项集频繁且完整。
定义1模式G=（V，F）为某实例Ij的子集，称实例I支持一个有向图表示的工作流模式P，如果模式G中的依赖关系在实例I中是成立的，记为G⇑I定义2日志中所有实例集合S0，对于工作流模式G的支持度P=|{I：I∈S0，G⇑I}|/|S0|×100%，其中|S0|表示日志中实例数。
网络数据库中隐蔽数据快速挖掘方法研究许学添;邹同浩【期刊名称】《电子设计工程》【年(卷),期】2016(024)024【摘要】In the framework of large network database, contains a mass of pictures, voice, text, etc. data information, because the difference between the data and disturbance, resulting in treat access the target data of strong concealment, the rapid excavation of hidden data is network database access optimization based. Traditional method uses the fuzzy C means clustering algorithm for data mining, the anti interference of the algorithm is not strong, the classification of dynamic differential data mining performance is not high. A fast data mining algorithm for hidden data in the network database based on the feature point detection of the data time frequency distribution is proposed. Data network data distribution structure model, time series analysis and data signal model is constructed and of FCM clustering preprocessing network database in the data and the output of the clustering of data frequency analysis and feature point detection, to achieve accurate data mining proposed. Simulation results show that the proposed algorithm is of high accuracy, fast convergence and good performance.%在大型网络数据库构架中，包含有海量的图片、声音、文字等数据信息，由于数据之间的差异性较大以及扰动干扰，导致对待访问的目标数据的隐蔽性较强，对隐蔽数据的快速挖掘是实现网络数据库优化访问的基础。
机关公文运转自动化模式的思考作者：庞珉来源：《计算机光盘软件与应用》2013年第15期摘要：根据《党政机关公文处理条例》公文运转规范化的要求，结合当前计算机应用在办公自动化方面的发展现状，从实际出发，提出了星型结构柔性公文运转模式，为计算机网络环境下保障公文运转的安全可靠和准确高效做出探索。
关键词：机关公文；运转程序；自动化；工作流中图分类号：TP393计算机网络技术的飞速发展，给人们工作和生活的各个方面都带来了深刻影响。
通过办公自动化提高机关办公效率、应变能力和指挥能力，也已成为一个计算机网络技术应用的一个重要发展方向。
2012年7月1日正式施行的《党政机关公文处理工作条例》，使党政机关公文处理工作更加科学化、制度化、规范化。
条例对公文拟制、办理、管理等一系列相互关联、衔接有序的公文处理工作进行了详细规定。
对照条例，结合工作实践经验，本人对当前计算机网络环境下的机关公文运转自动化模式进行了一些思考，希望在实践中对推动公文运转工作起到积极作用。
1 确立负责公文运转部门是公文处理工作高效运行的制度保障对每一个具体的党政机关部门，按组织管理层次从上到下可划分为：决策层、协调层、执行层和操作层。
这四个层次各自独立，又彼此联系，共同维系着组织自身的发展。
组织架构的制定既是一种人力资源的配置方式，也是一种信息沟通的制度安排。
国家机关在实施管理过程中，表达意志和信息沟通主要依靠公文这一重要工具，公文在我国的实际应用，可以追溯到很早以前，1899年在河南安阳小屯村出土的约10万片殷墟甲骨文，是我国迄今为止发现的最早的公务文书。
我们党和政府也一贯重视公文处理工作，对文书工作出了许多规定，使公文在党政机关实施领导、履行职能、处理公务方面发挥了重要作用。
处于协调层的各级党政机关办公厅（室）作为一个沟通上下、联系各方的综合管理机构，公文处理是其工作职能的重要组成部分。
条例明确规定，各级党政机关办公厅（室）主管本机关的公文处理工作，并对下级机关的公文处理工作进行业务指导和督促检查。
流程挖掘算法
流程挖掘算法是指通过对现有数据进行分析和挖掘，自动抽取出其中隐藏的业务流程模型。
流程挖掘算法主要应用于业务过程管理、工作流管理、信息系统安全等领域，可以帮助企业更好地理解和优化业务流程，提高工作效率和业务水平。
常见的流程挖掘算法包括基于规则的方法、基于机器学习的方法、基于统计模型的方法等。
基于规则的方法是通过定义一些前提条件和后续动作，来推导出业务流程中的某些模式。
基于机器学习的方法则是通过对大量现有数据进行分析和学习，来自动挖掘出其中的业务流程模型。
基于统计模型的方法则是通过对数据进行统计分析，来发现其中的规律和模式，从而抽取出业务流程模型。
流程挖掘算法在实际应用中，可以帮助企业发现业务流程中的潜在问题和瓶颈，从而及时采取措施进行调整和优化。
同时，流程挖掘算法还可以帮助企业自动化业务流程的管理，从而提高工作效率和质量。
总之，流程挖掘算法是一种非常实用的数据分析和挖掘工具，可以帮助企业更好地理解和优化业务流程，提高工作效率和业务水平。
- 1 -。
数据挖掘的隐含模式挖掘技术介绍在当今数字化时代，大量的数据被不断产生和积累，这些数据蕴藏着丰富的信息和价值。
然而，如何从这些海量数据中发现隐藏在其中的有用模式，成为了数据科学领域的一项重要任务。
数据挖掘作为一门研究方法和技术，通过运用统计学、机器学习和人工智能等领域的知识，帮助人们从数据中提取有意义的信息和模式，为决策和预测提供支持。
隐含模式挖掘是数据挖掘的一个重要分支，它旨在发现数据中潜在的、不易察觉的模式和关联。
与传统的数据挖掘任务相比，隐含模式挖掘更加注重发现数据背后的深层次规律和潜在关系，以期能够揭示更多的信息和洞察。
下面将介绍几种常见的隐含模式挖掘技术。
首先，关联规则挖掘是一种常见的隐含模式挖掘技术。
它通过分析数据中的项集之间的关联关系，发现其中的规律和模式。
关联规则通常是以“如果...那么...”的形式呈现，例如“如果顾客购买了咖啡，那么他们很可能也会购买牛奶”。
关联规则挖掘可以应用于市场营销、推荐系统等领域，帮助企业发现潜在的交叉销售机会和用户偏好。
其次，序列模式挖掘是一种用于挖掘时间序列数据中的隐含模式的技术。
时间序列数据是指按照时间顺序排列的数据，如股票价格、气象数据等。
序列模式挖掘通过分析序列数据中的模式和趋势，发现其中的规律和关联。
例如，通过挖掘用户在网站上的浏览记录序列，可以了解用户的偏好和行为习惯，从而进行个性化推荐和精准营销。
另外，聚类分析是一种常用的隐含模式挖掘技术。
聚类分析通过将数据集中的对象划分为若干个类别或簇，同一类别内的对象具有较高的相似性，而不同类别之间的对象具有较低的相似性。
聚类分析可以帮助人们发现数据中的潜在群体和模式，从而进行市场细分、用户分类等工作。
例如，通过对顾客购买行为的聚类分析，可以将顾客划分为不同的群体，为企业提供个性化的服务和推荐。
最后，时序模式挖掘是一种用于挖掘时间序列数据中的隐含模式的技术。
时序模式挖掘通过分析时间序列数据中的时间顺序和趋势，发现其中的规律和关联。
工作报告的内容挖掘与信息提炼一、引言工作报告是组织机构中对工作成果和经验进行总结和反思的重要形式。
在工作报告中，内容的挖掘与信息的提炼是至关重要的环节，可以帮助人们更好地理解和掌握工作的重点和要点。
本文将从如何挖掘工作报告的内容、如何提炼信息以及其重要性等方面展开探讨。
二、内容的挖掘1. 了解背景在挖掘工作报告的内容前，首先需要了解背景信息，包括组织机构的情况、工作目标和任务等。
只有充分了解背景，才能更好地把握报告的重点和关键信息。
2. 分析问题在工作报告中，通常会提到一些问题和挑战。
我们可以通过仔细分析这些问题，找出工作中存在的矛盾和不足之处。
同时，我们还可以进一步提出改进和解决问题的方案。
3. 梳理工作流程工作报告通常包括对工作流程的描述和分析。
我们可以通过梳理工作流程，找出工作中的重要环节和关键节点，从而更好地理解工作的全貌和内在联系。
4. 收集数据和案例在挖掘工作报告的内容时，收集和分析相关的数据和案例是十分重要的。
数据可以帮助我们了解工作的具体情况和效果，案例可以提供实践经验和借鉴意义。
三、信息的提炼1. 总结亮点和成果在工作报告中，通常会涉及到一些亮点和成果。
我们可以将这些亮点和成果提炼出来，形成简明扼要的句子或段落，突出工作的优势和价值。
2. 归纳关键问题通过对工作报告的分析，我们可以找出其中的关键问题。
归纳关键问题有助于我们更好地把握工作的重点和焦点，从而更好地引导工作的方向和决策。
3. 提取有效信息工作报告中的信息通常冗杂，我们需要将其进行提炼和提取。
只有有效信息才能真正传达工作的核心内容，避免信息的冗余和重复。
四、信息提炼的方法1. 总结概括在提取信息时，可以采用总结概括的方法，将相似的信息进行归纳和比较，提炼出共性和规律。
2. 突出关键词关键词是工作报告中重要信息的代表，可以通过突出关键词的方式，快速抓住工作的重点和要点。
3. 删减改写工作报告的内容通常较多，我们可以通过删减和改写的方式，去除一些非关键和重复的信息，使文章更紧凑和简洁。
一种基于Petri网的工作流挖掘算法
唐清;王知衍
【期刊名称】《微计算机信息》
【年(卷),期】2009(025)027
【摘要】本文提出了一种新的基于Petri网的工作流挖掘算法,不局限于顺序流程的挖掘.而且能够有效地对α算法无法处理的短循环进行挖掘,不仅具有严密的数学理论支持,同时具有直观和易懂的图形表现方式.在此算法的基础上提出了流程挖掘的系统架构图.并且在java平台上实现了该算法.
【总页数】3页(P154-155,122)
【作者】唐清;王知衍
【作者单位】510006,广州,华南理工大学;510006,广州,华南理工大学
【正文语种】中文
【中图分类】TP393.01
【相关文献】
1.一种基于Petri网的OA工作流模型研究 [J], 田宝勇
2.一种基于库所含时间因素的时延Petri网的工作流建模方法 [J], 于汪洋
3.一种基于改进Petri网的工作流案件分布式处理系统模型 [J], 刘施羽;刘知贵
4.NewYAWL：一种基于着色Petri网的工作流语言及其演进 [J], 伍先扬;沈文武;龚科
5.NewYAWL:一种基于着色Petri网的工作流语言及其演进 [J], 伍先扬; 沈文武; 龚科
因版权原因，仅展示原文概要，查看原文内容请购买。
基于结构化工作流网的隐含任务挖掘方法［摘要］过程挖掘是一种客观、自动化的过程分析技术，它通过挖掘过程日志来得到业务过程的结构模型，是传统过程分析手段的重要补充。
如何正确挖掘包含隐含任务的不完整过程日志，是过程挖掘需要解决的难题之一。
现有的一些算法如基因算法、α#算法等解决了部分类型隐含任务的挖掘问题，但仍有许多类型的隐含任务无法被正确挖掘。
针对这一问题，本文在α#算法的基础上提出了一种基于结构化工作流网的挖掘算法，该算法能够较为完整地挖掘各类包含隐含任务的结构化工作流网模型。
通过理论分析和实验验证，该算法的正确性和有效性得到了证明。
［关键词］过程挖掘；结构化工作流网；隐含任务；改进α算法doi : 10 . 3969 / j . issn . 1673 - 0194 . 2012 . 07. 025 ［中图分类号］ tp391 ［文献标识码］ a ［文章编号］1673 - 0194（2012）07- 0048- 04０引言面对激烈的市场竞争和市场环境的快速变化，现代企业必须能够随时对核心业务过程做出适当的调整以适应新的需要。
这不但需要管理者能够掌握外部环境的变化，也需要管理者能够对企业业务过程的实际情况有清晰的了解。
传统的过程分析手段，如调查、访谈、建模分析和模拟等，费时费力，而且受用户的主观性影响很大，容易出现偏差，因此越来越难以满足用户的需要。
过程挖掘是一种自动化的过程分析技术，通过对业务过程日志的挖掘，自动生成业务过程的执行流模型，从而帮助用户更好地理解业务过程的内在执行逻辑［１］。
由于其分析的依据——业务过程日志是企业在实际业务运行过程中生成的客观记录，因此该技术客观性强、费用低、速度快，有效地弥补了传统过程分析手段的各种缺陷，并已经在政府公共工程、医院和供应链管理等实际领域中取得了一定的成功应用［２－４］。
对包含错误、隐含任务［５］等的不完整日志的挖掘是过程挖掘面临的难题之一。
因为实际中用于挖掘的日志主要来源于企业的信息系统的自动生成，因此日志中包含错误的情况并不常见，不完整日志问题基本上都是由于包含隐含任务造成的。
现有的大多数过程挖掘算法在处理包含隐含任务的日志时都无法得到正确的结果。
少数几种能够处理隐含任务的算法，如基因算法［６］、α＃算法［７］等，但只能挖掘部分类型的隐含任务，未能完全解决隐含任务的挖掘问题。
针对这一问题，本文尝试提出一种基于α算法［８］和结构化工作流网［９］的过程挖掘算法，该算法能够比较全面地挖掘结构化工作流网模型中的各类隐含任务。
通过理论分析和实验验证，该算法的正确性得到了证明。
１问题说明过程挖掘通过对日志信息的分析来构造过程模型。
为了保证挖掘算法能够最大限度地适用于各种形式的日志，绝大多数挖掘算法仅要求日志中包含下列3项内容：①事件所属的工作实例；②执行事件的业务单元（任务标识）；③事件发生的顺序（处理时间）。
因此，在分析过程挖掘算法时，为了简便起见，通常直接将日志写成诸如ａｂｃｄｅ，ａｂｃｄｆ，ａｃｂｄｅ，ａｃｂｄｆ的形式，其中每个字母代表一个任务，每个逗号隔开的字母序列代表一条日志实例。
对该日志实例用算法进行过程挖掘，就可以得到如图１（ａ）所示的结构化工作流网过程模型。
在现实中，由于很多信息系统只对进行实际业务操作的业务单元活动进行记录，以及系统采用的过程建模工具本身的特性等各种原因，一些过程任务往往没有被记录在日志中。
这种过程任务就是所谓的“隐含任务”。
现有的大多数算法无法正确处理包含隐含任务的日志。
例如，假设图１（ａ）中过程的任务ｄ是一个隐含任务，则得到的日志是ａｂｃｅ，ａｂｃｆ，ａｃｂｅ，ａｃｂｆ。
用α算法挖掘将得到如图１（ｂ）所示的模型，它不是一个合法的结构化工作流网模型，而且相比原始模型，其结构复杂，不容易为用户所理解。
现有少数算法能够挖掘部分类型的隐含任务，但都无法完全挖掘所有类型的隐含任务。
例如，图２给出了α＃算法能够挖掘的几种隐含任务，其中黑色方块表示隐含任务。
但它无法挖掘图１（ａ）类型的隐含任务。
因此，本文在综合现有各种隐含任务挖掘方法的基础上，结合结构化工作流网本身的特性，提出了一种基于算法和结构化工作流网的过程挖掘算法，该算法能够比较全面地挖掘结构化工作流网模型中的各类隐含任务。
２结构化工作流网中的隐含任务２．１结构化工作流网过程挖掘通过深入分析过程日志来构造出过程模型。
显然，算法所使用的建模语言决定了算法能够成功挖掘的过程及其日志的特性。
目前，绝大多数过程挖掘算法都采用工作流网［１０］或者其子集作为建模语言，它是ｐｅｔｒｉ网的一个子集，具体定义如下：定义１（工作流网）工作流网ｎ为五元组（ｐ，ｔ，ｆ，ｉ，ｏ）。
其中，ｐ为全体库所集合，t为全体变迁集合，ｆ为全体边集合，ｉ为输入库所，ｏ为输出库所。
ｍｏ＝｛ｉ｝为工作流网的初始配置。
结构化工作流网是工作流网的各类子集中研究最多最深入的一种，其特点是不包含非自由选择结构，结构相对简单，但仍能满足大多数实际应用的需要。
其定义如下：定义２（结构化工作流网）工作流网ｎ＝（ｐ，ｔ，ｆ，ｉ，ｏ）是一个结构化工作流网，当且仅当：（１）对任意满足（ｐ，ｔ）∈ｆ的ｐ和ｔ，有：｜ｐ·｜＞１→｜·ｔ｜＝１；（2）对任意满足（ｐ，ｔ）∈ｆ的p和t，有：｜·t｜＞１→｜p·｜＝１；（３）p中不存在隐含库所［９］。
２．２隐含任务定义隐含任务就是在过程中存在并且被执行，但是始终不会被记录在过程日志中的任务。
定义３（隐含任务）已知结构化工作流网n＝（ｐ，ｔ，ｆ，ｉ，ｏ），w=t*是其对应的日志。
则称t∈t是隐含任务，当且仅当不存在日志实例l∈w，使t∈l。
n的全部隐含任务的集合记为h。
隐含任务问题的本质是日志中的信息缺失。
显然，只有那些导致模型结构出现缺陷的隐含任务才有可能被发现，其他隐含任务在不引入其他知识的条件下是无法通过日志分析的方法来发现的。
例如，图４中的几种隐含任务都不会导致挖掘模型出现结构缺陷，都是无法被发现的。
因此，本文只讨论会导致结构化工作流网的结构出现缺陷的那些隐含任务。
２．３隐含任务分类按照在模型中的位置及其特点，可以将结构化工作流网中的隐含任务分成起始／结束点型、隐含路径型、结构转换点型和子分支点型四大类。
起始／结束点型对应于α＃算法中的ｓｉｄｅ类型［７］，是由出现在模型起始位置的与－分支点和出现在模型结束位置的与－汇合点形成的隐含任务，如图２（ａ）和（ｂ）所示。
其定义如下：定义４（起始／结束点型隐含任务）已知结构化工作流网ｎ＝（ｐ，ｔ，ｆ，ｉ，ｏ）。
当隐含任务t∈h满足下列条件之一时，称其为起始／结束点型隐含任务：隐含路径型对应于α＃算法中的ｓｋｉｐ和ｒｅｄｏ类型，是单独组成过程中的某条执行路径分支的隐藏任务，如图２（ｃ）和（ｄ）所示。
其定义如下：定义５（隐含路径型隐含任务）已知结构化工作流网ｎ＝（ｐ，ｔ，ｆ，ｉ，ｏ）。
称隐含任务t∈h为隐含路径型隐含任务，当?埚ａ，ｂ∈ｔ－ｈ，a·?劢·t，ｔ·?奂·ｂ。
结构转换点型是由选择结构和并行结构之间的转换点形成的隐含任务。
图５是结构转换点型隐含任务的几种情况，其中左边是原始过程，右边是用α算法挖掘对应的日志得到的模型。
其定义如下：定义６（结构转换点型隐含任务）已知结构化工作流网ｎ＝（ｐ，ｔ，ｆ，ｉ，ｏ）。
当隐含任务t∈h满足下列条件之一时，称其为结构转换点型隐含任务：子分支点型是由选择分支里的并行分支点形成的隐含任务。
图６是结构转换点的几种情况，其中左边是原始过程，右边是用α算法挖掘对应的日志得到的模型。
其定义如下：定义７（子分支点型隐含任务）已知结构化工作流网ｎ＝（ｐ，ｔ，ｆ，ｉ，ｏ）。
称隐含任务t∈h为子分支点型隐含任务，当其满足下列条件之一：３隐含任务的发现在上一节中定义了几种隐含任务，它们的共同特点是会导致结构化工作流网的结构出现缺陷。
因此，通过检测挖掘模型中的结构缺陷，就能够发现这些隐含任务的存在，并加以弥补。
本文采用α＋［９］算法中次序关系作为检测模型结构缺陷的工具，其定义如下：定义８（次序关系）ｎ＝（ｐ，ｔ，ｆ，ｉ，ｏ）是合理工作流网，w是n的一个日志，即w∈t*，ａ，ｂ∈ｔ，则有：－ａ＞ｗｂ当且仅当?埚σ＝ｔ１ｔ２…ｔｎ，ｉ∈｛１，…，ｎ－１｝：σ∈w∧ti=a∧ti+1=b；－aδwb 当且仅当?埚σ＝t1t2…tn，i∈｛1，…，ｎ－２｝：σ∈w∧ti=ti+2a=a∧ti+1=b；；－a◇wb 当且仅当aδwb∨bδwa；－a→wb 当且仅当a>ｗｂ∧（ｂ≯ｗａ∨ａ◇ｗｂ）；－a#wb 当且仅当aw≯b∧b≮wa；根据次序关系，就可以针对各类隐含任务的不同特点，分别找出它们的发现方法。
因为α＃算法中已经给出了起始／结束型和隐含路径型的隐含任务的检测方法，因此本文只讨论结构转换点型和子分支点型隐含任务的发现方法。
３．１结构转换点型隐含任务的发现结构化工作流网中的结构转换点型隐含任务可以根据下面的定理发现：定理１已知结构化工作流网ｎ＝（ｐ，ｔ，ｆ，ｉ，ｏ），w 是其满足→w和δw关系完备性的日志。
则n中存在结构转换点型隐含任务，当且仅当下列条件之一被满足：（１）?埚ａ，ｂ，ｃ，ｄ∈ｔ，ａ＃ｗｂ，ｄ｜｜ｗｃ，ａ→ｗｃ，ａ→ｗｄ，ｂ→ｗｃ，ａ→ｗｄ；（２）?埚ａ，ｂ，ｃ，ｄ∈ｔ，ａ＃ｗｂ，ｄ｜｜ｗｃ，ａ→ｗｃ，ａ→ｗｄ，ｂ→ｗｃ，ａ→ｗｄ；（３）?埚ａ，ｂ，ｃ，ｄ∈ｔ，ａ＃ｗｂ，ｄ｜｜ｗｃ，ａ→ｗｃ，ａ→ｗｄ，ｂ→ｗｃ，ａ→ｗｄ。
根据结构化工作流网的定义和图５，很容易证明该定理的正确性。
详细证明从略。
３．２子分支点型隐含任务的发现结构化工作流网中的子分支点型隐含任务可以根据下面的定理发现：定理２已知结构化工作流网ｎ＝（ｐ，ｔ，ｆ，ｉ，ｏ），w 是其满足→ｗ和δｗ关系完备性的日志。
则n中存在子分支点型隐含任务，当且仅当下列条件之一被满足：（１）?埚ａ，ｂ，ｃ，ｄ∈ｔ，ａ→ｗｂ，ａ→ｗｃ，ａ→ｗｂ，ｂ＃ｗｄ，ｃ＃ｗｄ，ｂ｜｜ｗｃ；（2）?埚ａ，ｂ，ｃ，ｄ∈ｔ，ａ→ｗｄ，ｂ→ｗｄ，ｃ→ｗｄ，ａ＃ｗｃ，ｂ＃ｗｃ，ａ｜｜ｗ b。
根据结构化工作流网的定义和图６，很容易证明该定理的正确性。
详细证明从略。
３．３隐含任务的检测顺序由于过程可能同时存在多种类型的隐含任务，一种隐含任务的存在可能会对另一种隐含的发现造成影响。
因此各隐含任务的检测必须符合一定的顺序。
由于起始／结束点型隐含任务存在于模型的两端，其他类型隐含任务的发现可能会依赖于它的正确发现，因此应该先进行起始／结束点型隐含任务的检测。
结构转换点型的隐含任务本身是选择结构或者并行结构的起始点或者结束点，而子分支点型隐含任务的检测依赖于选择结构的起始点或结束点的存在。
