ACO和SVM选择加权特征的网络攻击监测方法

特征选择和分类器设计是网络攻击监测的关键,为了提高网络攻击监测率,针对特征选择问题,提出一种蚁群算法选择特征和SVM特征加权相结合的网络攻击检测方法(ACO-SVM)。首先利用支持向量机的分类精度和特征子集维数加权构造了综合适应度指标,利用蚁群算法的全局寻优和多次优解搜索能力实现特征子集搜索;然后选择网络数据的关键特征,计算信息增益获得各个特征权重,并根据特征权重构建加权支持向量机的网络攻击分类器;最后设计了局部细化搜索方式,使得特征选择结果不含冗余特征的同时提高了算法的收敛性,并通过KDD1999数据集验证了算法有效性。结果表明,ACO-SVM有效降低了特征维数,提高了网络攻击检测正确率和检测速度。     

基于改进SVM的网络异常数据优化分类方法研究

对网络异常数据进行准确分类能够为网络入侵分类、保障网络安全提供准确的依据。传统算法没有考虑网络异常数据分布的不均衡性和高动态变化性,从而降低了分类的准确率和效率。为此,提出一种基于改进SVM的网络异常数据分类方法。在确定网络异常数据隶属度的时候考虑到其与类中心的关系,对传统的SVM进行了改进,在构建SVM分类器的过程中,引入了模糊隶属度函数,并将网络异常数据的分类问题转换为二次规划问题,最终实现网络异常数据的准确分类。仿真实验结果表明,利用改进算法进行网络异常数据分类,能够提高网络异常数据分类的准确率和分类效率,效果令人满意。     

改进的支持向量机无线网络安全检测算法模型

针对传统网络入侵算法在WLAN中的异常检测效率低,提出了一种SVM算法的WLAN入侵检测方法,首先对网络入侵的数据计算信息增益,从原始数据中选取对分类结果影响较大的特征属性,对SVM参数进行优化,最后采用优化的SVM算法对无线网络数据进行检测,得出网络入侵结果.实验结果表明,提出的算法检测正确率高、漏报率与误报率低,具有很好的应用前景.     

基于随机森林的变压器局部放电模式识别

针对目前在局部放电模式识别领域中常用的分类器算法的缺陷,本文研究随机森林(random forest,RF)算法在局部电放模式识别领域的应用。首先对局部放电试验数据提取统计特征量,构建放电的学习样本。利用十折法对算法分类性能进行评判,并比较常见分类算法BP神经网络、支持向量机(support vector machine,SVM))、KNN、分类回归树算法(classification and regression tree,CART)以及RF算法的识别准确率。结果表明:利用RF算法构建放电模式分类器的识别准确率最高。此外,利用组成RF的基分类算法CART可分析不同放电模式间的主要区别。     

基于邓熵和Jensen-Shannon散度的合成悖论改进算法

为解决DS证据理论合成悖论问题,研究了一种邓熵和Jensen-Shannon散度结合的改进算法。利用邓熵对冲突证据进行冲突衡量;利用Jensen-Shannon散度计算证据的可信度;最后用DS合成规则对加权修正后的证据进行融合决策。结果表明:算法可以消除全冲突悖论,0信任悖论,1信任悖论和高度冲突悖论;融合精度高;合成结果可靠有效。     

衰落噪声干扰下网络攻击数据散布特征挖掘算法

提出一种基于随机近场混叠谱分析的网络攻击数据散布特征挖掘算法,实现对衰落噪声干扰下的网络攻击信号的准确检测。采用自适应陷波器对衰落干扰噪声进行滤波降噪预处理,提高了待检测信号的纯度,进行随机近场混叠谱分析,采用时频分析方法进行攻击信号的时延估计,提取随机近场混叠谱特征,实现网络攻击数据散布特征挖掘优化。仿真实验表明,采用该算法能有效提取在强衰落噪声干扰下的网络攻击数据时频散布特征点,特征聚焦性能明显,提高了对网络攻击数据的检测性能。     

图像语义特征的探索及其对分类的影响研究

【目的/意义】针对当前利用计算机管理图像资源存在图像语义特征表达不足等问题,探索和分析了特征及 特征融合对分类结果的影响,提出了一种提高图像语义分类准确率的方法。【方法/过程】本文定义了四种图像风 格,将图像描述特征划分为三个层次,探究特征融合的特点,寻求能有效表达图像语义的特征。分别采用SVM、 CNN、LSTM 及迁移学习方法实现图像风格分类,并将算法组合以提高分类效果。【结果/结论】基于迁移学习的 ResNet18模型提取的深层特征能够较好地表达图像的高级语义,将其与SVM结合能提高分类准确率。特征之间 并不总是互补,在特征选择时应避免特征冗余,造成分类效率下降。【创新/局限】本文定义的风格数目较少,且图像 展示出的风格并不绝对,往往可以被赋予多种标签,今后应进一步丰富图像数据集并尝试进行多标签分类。     

基于连续PSO算法的特征选择和SVM参数同步优化算法

为解决SVM的特征选择和参数优化问题,文章提出了一种基于连续PSO算法的特征选择和SVM参数同步优化算法(CPSO-SVM),其目标是在尽可能提高SVM分类精度的同时,选择尽可能少的特征数目。在真实数据集上的实验研究表明,CPSO-SVM算法具有原始SVM算法所不具备的特征选择能力,能显著提高SVM的分类能力(包括更高的分类精度和更好的均衡性),而且从分类器的整个生命周期来看,具有更高的效率。与HuangC-L等所提出的基于GA的算法相比,CPSO-SVM算法在分类能力和特征性选择能力上毫不逊色,而且效率更高。     

Logistics映射扰动搜索聚类及软件设计

研究高效进行数据聚类,提高数据聚类能力的问题。传统的模糊C均值算法具有对初始值和噪声极为敏感和遗传算法在局部极值点收敛的缺陷。基于模糊c均值聚类算法,提出一种改进的优化聚类算法。利用混沌序列的均匀遍历特性和差分进化算法的高效全局搜索能力,对模糊c均值算法进行改进,利用Logistics混沌映射对聚类算法进行优化搜索,把混沌扰动量引入到进化种群当中,弥补了模糊C均值算法的缺陷。采用改进的Logistics映射扰动搜索聚类算法,以目标识别为案例,综合4类目标特征参数为研究对象,开发了一套有价值的目标识别专家系统软件。仿真实验表明,改进的数据聚类算法,具有优越的数据聚类性能,聚类判断准确率提高明显,设计的专家系统软件对目标识别特征分类具有较好的准确性和可靠性,具有一定的应用价值。     

引入合同变换矩阵的网络攻击信号盲分离算法

对网络攻击信号进行盲分离,实现对攻击信号的准确有效检测。传统的网络攻击信号检测算法使用时频分析方法,提取非平稳群攻击信号的时频特征,实现信号检测,但算法把网络入侵检测正确率作为约束目标函数进行同步最优特征子集求解,复杂度较高,提出一种引入合同变换矩阵的网络攻击信号盲分离算法。采用时频分析Viterbi算法,得到信号谱的平均频率等于瞬时频率的时间平均,根据合同变换矩阵,对攻击信号进行离散数据解析化处理,构建网络攻击信号的解析模型,得到网络统计信号在多复变边界条件下的时频特征,实现盲分离算法改进。仿真实验表明,该算法能有效实现对网络攻击信号的盲分离,盲分离结果能准确反映网络攻击信号的内部特征,提高了对网络攻击信号的检测能力,对攻击信号的检测性能有所提高,保证了网络安全。     

一种网络多次变异信息入侵检测算法

提出了一种基于变异特征自动机匹配的网络变异信息入侵检测算法.通过提取网络中的异常参数,利用异构数据匹配计算,对发生变异的网络数据特征项进行多次二叉树的建立,分类计算连续变异随机变量服从节点分布,准确对变异特征和非变异特征进行区分.实验表明,该算法提高了网络变异信息入侵检测的准确率,取得了不错的效果.     

基于区域卷积神经网络的车辆检测方法

为了解决传统车辆检测存在的问题,提高车辆检测的准确度,本文提出将区域卷积神经网络算法应用到车辆检测中。该算法利用图像的颜色层次特征,获取潜在的车辆候选区域;建立卷积神经网络结构,使用车辆样本库进行特征训练,提取候选区域特征;选定正负样本进行SVM分类器训练,采用SVM分类器进行最终的候选区域分类,最后得到车辆信息。本文使用的算法能够检测出图像中的车辆,剔除非车辆区域,有效提高车辆检测的准确性,并且具有一定的实时性。     

PCA和SVM在新疆哈萨克族食管癌图像分类中的研究与应用

目的:利用PCA和SVM对新疆哈萨克族食管癌X射线图像进行特征提取、特征选择及分类研究。方法:利用基于灰度共生矩阵的纹理特征和小波变换的频域特征提取法,提出将ROC曲线面积选择法和主成分分析法相结合的两步式特征选择法,利用Bayes和SVM分类器对图像进行分类以验证所提取特征的分类能力。结果:AUC0.7的特征经主成分分析后输入到SVM分类器和Bayes分类器中得到的分类准确率和AUC值最高,分别为91%和85%、0.945和0.915。结论:SVM具有较好的分类性能,两步式特征选择法能有效地消除特征之间的共线性,极大提高了特征的分类能力,本研究有望提高新疆哈萨克族食管癌CAD系统的整体性能。     

ICS优化SVM在模拟电路故障诊断中的应用

针对容差模拟电路软故障,为了提高诊断的准确率,提出了一种基于改进布谷鸟算法优化支持向量机的故障诊断模型。首先,利用Hear小波分析对模拟电路进行故障特征提取;然后将提取的故障特征输入支持向量机进行故障诊断,同时为了使模型更稳定,利用改进布谷鸟算法选择最优惩罚参数和核函数参数以优化SVM。最后,以Sallen-key带通滤波器电路为例进行仿真实验,通过与神经网络、传统SVM分类模型进行对比,结果表明了该方法的优越性和可行性。     

基于粗糙集与模糊支持向量机的模式分类方法研究

针对传统支持向量机(SVM)多分类算法分类效果欠佳的问题,研究基于粗糙集(RS)理论和模糊支持向量机(FSVM)多类算法的模式分类新方法。首先用RS属性约简方法去除冗余信息,然后用FSVM结合三叉分类树多类算法对约简后的样本分类。用本文方法在UCI数据库的数据集上做实验,与其他方法相比分类速度和精度显著提高,说明该方法是有效的。     

基于AMR的Adaboost-SVM的车型分类方法

近年来,越来越多的汽车导致不同类型的交通问题增多,智能交通系统(ITS)变得越来越重要。本文提出了一种新的基于AMR的车辆分类方法。首先使用状态机来检测车辆是否存在,然后使用Adaboost-SVM算法进行更准确地分类。实验表明,Adaboost-SVM算法可以提高现有的分类准确率,约为3%至11%,同时可避免经典SVM算法的过度拟合问题。     

基于SVM的新疆哈萨克族食管癌医学图像特征提取及分类研究

目的:利用SVM对新疆高发病哈萨克族食管癌X线医学图像进行分类研究。方法:随机选取正常食管和缩窄型食管癌X线医学图像各120张,运用灰度直方图法和灰度共生矩阵法提取图像的特征,采用Lib-SVM工具箱,在SVM类型设置上选择C-SVC,选择4种核函数,通过调整核函数的参数与C-SVC分类器的参数进行实验。结果:利用灰度直方图法提取的特征量进行分类时,线性核函数和RBF核函数的分类准确率较高,均可达92.5%;利用灰度共生矩阵法提取的特征量进行分类时,线性核函数、RBF核函数、Sigmoid核函数的分类准确率较高,均可达87.5%;利用灰度直方图特征和灰度共生矩阵特征组成的综合特征进行分类时,多项式核函数和RBF核函数的准确率较高,均可达97.5%。结论:灰度直方图特征的分类能力优于灰度共生矩阵特征;综合特征的分类能力优于单一特征的分类能力;RBF核函数的分类性能较其他核函数突出。SVM对食管癌X线医学图像具有较高的分类识别率,为新疆高发病哈萨克族食管癌的计算机辅助诊断系统的研究奠定了基础。     

基于混沌理论和LSSVM的网络攻击预测算法

针对网络攻击具有多样性、时变性,传统预测方法预测精度较差的问题,提出一种混沌理论和LSSVM相融合的网络攻击预测算法.利用网络攻击频率时间序列预测模型参数之间的联系,采用粒子群优化算法对模型参数进行组合优化.采用最优参数的预测模型对具体网络攻击频率数据进行仿真测试,并与其它预测算法进行对比.实验结果表明,该方法对网络攻击频率预测精度要高于对比算法,是一种泛化能力好、预测结果可靠的网络攻击预测算法.     

基于TF-IDF逻辑回归算法的Web攻击行为检测方法研究

针对各种变形的Web攻击行为难以检测的问题,本文提出了基于TF-IDF逻辑回归算法的Web攻击检测方法,利用数据统计方法 TF-IDF算法将无规律数据集转换成固定维数的特征矩阵,同时利用逻辑回归算法进行训练和分类。并借助三种分类模型评估方法验证该检测方法的可行性。     

一种新的特征变换算法在网络数据安全检查中应用研究

大数据时代数据安全性检查至关重要,提出一种新的特征变换算法检测异常数据用以保证数据安全。数据是否异常可以归类为二分类问题,逻辑回归算法作为常用分类算法具有很强的抗噪能力,采用卷积神经网络预产生高阶特征,高阶特征通过提取卷积神经网络各网络层神经元输出获得,高阶特征用以提升逻辑回归算法的表达能力。试验结果表明,逻辑回归算法在高阶特征上能够获得较高的分类准确率。