半监督技术和主动学习相结合的网络入侵检测方法

针对当前网络入侵具有多样性和易变性, 单一方法很难获得理想网络入侵检测结果的问题, 为提高网络入侵检测正确率, 有效拦截各种网络入侵, 提出一种将半监督技术与主动学习相结合的网络入侵检测方法. 首先, 采集网络入侵数据, 提取网络入侵特征, 并采用半监督技术根据特征对网络入侵数据进行聚类处理; 其次, 采用主动学习算法对聚类后的数据进行训练, 构建网络入侵检测的分类器, 并引入蚁群算法对构建网络入侵检测的分类器进行优化; 最后, 采用标准数据集对网络入侵检测方法进行仿真测试. 测试结果表明, 该方法解决了当前入侵检测方法存在的缺陷, 提升了网络入侵检测正确率, 漏检率和误检率明显少于经典网络入侵检测方法, 同时缩短了网络入侵检测时间, 改善了网络入侵检测效率, 能更好地保证网络通信和数据传输安全.     

基于XGBoost的多种生理信号评估心理压力等级方法

基于生理信号客观评估心理压力状态成为目前的研究热点,但最佳评估算法有待进一步探索. 本文选择心算任务诱发受试者的心理压力,采集了21位在校大学生的脑电、心电、皮肤电导、脉搏波4种生理信号. 提取各生理信号时域和频域的多种特征,使用方差分析(ANOVA)、最大相关最小冗余(mRMR)、单个特征支持向量机(SVM)分类准确率、随机森林(RF)特征重要性、梯度上升决策树(GBDT)特征重要性、极端梯度提升(XGBoost)特征重要性6种特征选择方法筛选出有效特征,利用SVM、K近邻(KNN)、高斯朴素贝叶斯(GNB)、自适应提升算法(Adaboost)、GBDT、XGBoost 6种分类器对提取的特征进行分类. 结果得出,GBDT特征筛选与XGBoost分类器的组合模型对心理压力的等级评估效果最佳.      

具有部分先验信息的贝叶斯分析法在模式分类中的应用

针对模式分类中高置信度的先验概率分布难以设定的问题,提出了一种新的应用贝叶斯分析进行模式分类的方法。该方法首先求得已知先验信息和各个可能的分类决策对先验概率分布的约束集,然后通过对他们进行比较确定待分类模式的类别。实例表明该方法能够有效地缩小待分类模式的可能类别集,从而为分类系统的下一步精确分类提供便利。     

中文文本分类器的评价

对目前比较流行的4种中文文本分类器(Rocchio、KNN、Naive Bayes、最大熵)进行评价,其中,Naive Bayes和最大熵是基于概率统计的方法,而Rocchio和KNN是基于向量的相似度计算的方法.选用χ2作为文本特征选取方法,对一个中文文本分类语料库进行分类评测.实验结果表明,最大熵和Naive Bayes的分类性能十分接近,处于较好水平,而KNN和Rocchio分类性能稍差一些.     

课堂教学评估的多层次贝叶斯网络分类器方法

课堂教学是为实现一定的教学目标而展开的信息传递、过程控制和策略实施过程.依据课堂教学的特点给出了课堂教学评估的指标体系,并在此基础上建立了课堂教学评估的层次贝叶斯网络分类器模型.为提高分类器的分类识别准确率,在连续属性中引入形状参数,实验结果显示,通过形状参数的优化能够显著提高分类器的分类识别可靠性.     

采用多分类器集成方法的带钢表面缺陷图像识别

现有带钢表面缺陷在线识别系统中单个分类器对部分缺陷识别率不高,并且对训练样本依赖性较大;针对这一问题,提出了一种基于并行多分类器集成技术的带钢缺陷图像识别方法.该方法选择LVQ神经网络、RBF神经网络和支持向量机作为基分类器,应用加权投票法对基分类器进行集成,从而实现基分类器能力互补.实验表明,采用多分类器集成的带钢表面缺陷图像识别方法可以更准确地对带钢常出现的边缘锯齿、焊缝、夹杂、抬头纹等缺陷进行识别,能够得到相当或优于任何单个分类器的分类精度,总体识别率达到96%以上.     

函数型连接神经网络偶发事件分类器设计

偶发事件分析是电力系统安全分析和可靠性计算中的关键问题,需要大量的计算时间.为了有效地减少大电力系统开断模拟的计算工作量,提出一种用于识别偶发事件的函数型连接神经网络(FLNN)分类模型和算法.为获取事故后的系统状态信息,用相对于故障前系统状态的变化量反映事件的行为特征,设计了一组行为指标(PI),构造出神经网络分类器.讨论了各种行为指标及其组合对分类器的不同影响,指出支路功率行为指标是较好的行为指标.通过对IEEE-RTS24试验系统进行的分类计算表明,该分类器不仅网络结构和学习算法简单,而且提高了计算速度和精度.     

分类器集成在财务危机预测中的应用研究

财务困境预测是金融领域中一个重要的研究课题．已有的统计模型、人工智能和机器学习模型具有预测准确率较低或稳定性差等缺点,因此首次将分类器集成应用于财务危机预测研究,以我国上市公司为研究对象,以决策树和神经网络为子分类器,从实验上证实了分类器集成在提高财务危机预测准确性方面的有效性,最后指出需要进一步研究的几个问题．     

增强的主分量分类器

主分量分类器是在最大化样本投影代数和的前提下求解分类面法方向,并采用核方法解决线性不可分问题．它对所有真实世界样本(包括野值)的重视程度相同,且只考虑了一个野值．设计并实现了一类鲁棒性较主分量分类器更强的增强型主分量分类器,其中重点讨论了三种典型权设置下的分类器特性．分析和实验证实了增强的主分量分类器的抗野值、噪声性能以及学习和推广能力均优于主分量分类器．     

基于共现分析的分类器链标签序列优化方法

针对分类器链模型采用随机生成方式确定标签序列会极大影响分类器链性能的问题。通过共现分析技术深入挖掘标签间的潜在关系, 提出一种基于贪心算法和n-gram模型的两种标签序列优化策略以提升分类器链模型性能。基于贪心算法的策略通过计算和排序标签之间共现率来生成优化的分类器链标签序列, 而基于n-gram模型的策略则通过最大化标签之间条件概率来生成优化的分类器链标签序列。最后通过多个多标签基准数据集进行实验验证, 实验结果表明, 与当前流行的各种分类器链模型相比, 所提的两种策略很有竞争力, 可以明显提升多标签分类效果。