基于支持向量机与k近邻相结合的网络入侵检测研究

针对基于支持向量机算法的网络入侵检测方法,对交错严重的大规模复杂样本集,分类面附近的样本被正确分类可信度低,基于k近邻算法的检测方法测试结果不稳定等问题,提出一种将k近邻与支持向量机相结合的网络入侵检测方法。在分类时,计算待识别的网络连接记录样本与最优分类超平面的距离,如果距离大于预设阀值,采用支持向量机算法对连接记录进行分类,否则采用k近邻法对连接记录进行分类,同时为减少检测方法受样本分布不均衡的影响,采用带权重因子的欧式距离来度量样本间的相似度。最后在KDD99数据集上进行仿真实验,结果表明,相对于单一的支持向量机或k近邻算法的网络入侵检测方法,k近邻与支持向量机相结合的入侵检测方法可以进一步提高网络入侵检测的正确率,是一种较好的网络入侵检测方法。     

基于互邻信息的树型近邻分类方法

为了提升分布不均匀样本的分类性能,该文提出了一种基于互邻信息的树型近邻(Tree-based k近邻,kTree)分类方法,以此提高k近邻分类的准确率。首先,采用回归模型刻画样本之间的紧密程度,获取每个样本的最优k值,从而获得最优邻居,并采用kTree提升搜索效率。其次,对于每一个测试样本,基于互邻信息准则,确定其邻域空间,完成k近邻分类。最后,数据集的试验结果表明,该文提出的基于互邻信息的kTree分类准确率高于传统k近邻分类等其他分类算法。该文提出的方法也为k近邻分类的改进提供了新的方向。     

基于k近邻和最小二乘支持向量机的Android恶意行为识别

针对单一k近邻算法(KNN)和最小二乘支持向量机(LSSVM)存在的缺陷, 提出一种基于KNN LSSVM的Android恶意行为识别模型. 先采集Android用户行为样本, 并提取相应特征组成特征向量; 再将训练集输入LSSVM中进行学习, 计算测试样本与最优分类平面间的距离, 如果该距离小于阈值, 则直接采用LSSVM恶意行为识别, 否则采用KNN算法进行恶意行为识别; 最后采用仿真实验测试KNN LSSVM的性能. 实验结果表明, 相对于单一KNN算法和LSSVM, KNN LSSVM提高了Android恶意行为的识别正确率,可以满足Android[KG*6]恶意行为的在线识别要求.     

融合标签相似度的 k 近邻 Slope One 算法

Slope One 协同过滤算法被广泛应用于个性化推荐系统中。标签是一种描述项目特性的重要形式,针对Slope One 算法推荐精度不足的问题,将标签信息融合到 Slope One 算法当中。同时参考 k 近邻算法思想,选取阈值过滤后的 k 近邻项目参与平均评分偏差计算,提高计算效率的同时增加预测精度。使用评分相似度和标签相似度作为权重修正线性回归模型。通过线性加权融合预测结果,进一步提升推荐质量。将算法应用于 MovieLens 数据集,与传统加权 Slope One 算法相比,平均绝对偏差下降4．8％,召回率和准确率分别提高32．1％和26．3％。     

基于局部加权k近邻的多机器人系统异步互增强学习

针对多机器人系统的增强学习问题,为提高机器人的学习速度和充分利用通信范围内其他机器人的增强学习的经验和结果,给出了2类基于局部加权k近邻时间差分的多机器人系统的交互式学习策略.对于机器人之间通信无时滞情形,基于环境感测和任务信息状态描述的局部加权k近邻状态选择方法,机器人通过对自身和通信范围内其他机器人Q值表的比较和分析,对其自身的Q值表进行优化迭代更新.在此基础上,分别给出了基于全局通信条件下和局部通信条件下多机器人系统的异步的互增强学习方案.最后,通过仿真实验进一步验证了所提方案的可行性和有效性.     

基于k近邻的混合数据分类方法

由于有序与无序特征之间的复杂关系,现有分类方法不能有效处理混合数据（同时包括有序和无序特征）上的分类问题。针对此问题,提出了基于k近邻的混合数据分类方法（a classification method for mixed data based on k-nearest neighbor,MDKNN）。首先通过区分有序和无序特征计算样本之间的距离,获取特征的序信息和统计信息;然后分别从优于和劣于预测样本的训练集中选出最近邻样本,并基于模糊关系计算其类隶属度,以确定预测样本的类标签范围,从而保证预测结果的单调性;最后在该范围内计算分类结果。在来自UCI和WEKA的12个公开数据集上进行实验,分别与基于k近邻模型的MKNN、FKNN、MFKNN算法和基于非k近邻模型的PMDT、OLM、OSDL算法比较,所提方法都获得了最高的平均准确率,且分别比两类模型中的最优算法MFKNN和PMDT提高了7.13%和9.84%,表明了所提方法的有效性。     

基于局部密度和纯度的自适应k近邻算法

【目的】针对K最近邻(K-Nearest Neighbor,KNN)算法中k值的选取通常是人为设定,而且通常是固定的缺点,研究如何更好地选取k值。【方法】引入k的可信度的概念,提出一种基于局部密度和纯度的自适应选取k值的方法,并将其引入到传统的KNN分类算法中。【结果】该算法合理的考虑了样本的局部密度、纯度与选取k值的关系,不仅解决了k值的选取问题,并且避免了固定k值对分类的影响。【结论】该算法是有效的,可以得到较高的准确率,但算法的时效性有待提高。     

网购评论情感数据的k近邻和SVM处理方法研究

针对网购评论,抽取评论语组成基本语料,构建客户网购评论情感词汇本体,对热点评论应用k-近邻和SVM 2种算法来分析评论文本热点事件,实验证实SVM算法较k-近邻算法在评论文本热点发现上具有较高的性能,为网购评语热点研究提供了实例参考.     

一种基于近邻边界的改进核Fisher判别方法

针对应用核Fisher判别法进行化工生产过程故障诊断时,存在核映射后的数据空间维数过高,致使判别向量W计算耗时,难以求解;同时,由于化工生产数据不完全服从高斯分布、强耦合、高维度和噪声干扰大等特点,使得投影空间中部分不同类数据不能有效分离,判别正确率未尽人意等问题,提出一种基于近邻边界的改进核Fish-er判别法.该方...     

基于Fisher准则的SVM参数选择算法

支持向量机(support vector machine,SVM)分类性能主要受到SVM模型选择(包括核函数的选择和参数的选取)的影响,目前SVM模型参数选择的方法并不能较好地确定模型参数。为此基于Fisher准则提出了SVM参数选择算法。该算法利用样本在特征空间中的类别间的线性可分离性,结合梯度下降算法进行参数寻优,并基于Matlab实现选择算法。实验结果表明参数选择算法既提高了SVM训练性能,又大大减少了训练时间。     

基于反向k近邻过滤异常的群数据异常检测

针对无数据标签的群数据异常检测问题,提出在无监督模式下利用k最近邻(kNN)算法检测群数据异常.为减少由于异常值与正常值之间相互干扰而产生的漏报和误报,提出用反向 k近邻(RkNN)算法对异常群数据进行反向过滤.反向k近邻算法首先将统计距离作为不同群数据间的相似性度量,再用kNN算法求得每个集群的异常得分,并获得初始异...     

三种分类算法的实验比较

对文本自动分类算中的k最近邻算法、向量空间模型算法以及混合分类算法进行了比较分析，在构造分类用知识库的主题抽取方法相同的条件下，使用中国资讯行提供的2000篇网上新闻语料分别对3种分类算法作了实验研究、实验结果表明，针对网上新闻而言，混合分类算法性能指标优于另外2种算法．结合实验语料环境，对3种分类算法的适用范围作了分析．     

局部Fisher向量编码与交叉视角二次判别分析的人头重识别

目前行人重识别主要是基于完整人体的研究,但是某些特定场景下,完整行人图片难以获取,因此本文建立一个基于人头的重识别数据库,并提出了相关算法.算法采用局部Fisher向量编码和交叉视角二次判别分析算法,首先基于HSV颜色信息去描述特征,使用高斯混合模型对特征数据建模,然后Fisher向量加权聚合,最后对样本的低维特征子空间和度量矩阵同时进行学习.实验及分析证明了基于人头的重识别算法的可行性,其中基于Rank1的重识别率达到89.29%.     

非k积量子态基于Fisher信息的不对称性关联度

在量子信息理论中,量子Fisher信息(QFI)对于提高量子计量精度和效率极其重要.本文给出了多体非k积量子态基于Fisher信息的不对称性关联度,同时证明了其满足量子关联度的一些必要物理性质,包括非负性、酉不变性和凸性.     

几种常用文本分类算法性能比较与分析

分析了几种典型的文本分类算法的特点,并基于中文文本数据集和英文文本数据集对算法性能进行了综合评价.实验结果表明:对于英文文本数据,支持向量机具有最优的性能,但时间开销最大,贝叶斯算法速度较快;对于中文文本数据,由于分词的困难,使得算法性能普遍低于同等规模下在英文数据集上的性能.几种算法性能均随训练集规模的增大而有改善.     

基于支持向量机的人脸识别算法

特征提取是人脸识别问题中的一个普遍问题,主要是指通过变换将图像空间中的人脸转化到人脸特征空间中,其目的是用最少的数据量表示原始图像的最多的信息.其中Fisher脸法是常用的特征提取方法,本文采用Fisher脸法和支持向量机的方法,构造了一个能够将图像数据空间的人脸映射到人脸特征空间中,并实施识别的实验系统.分析了该系统的构成与特点,并给出了实验测试结果.     

空间多样化约束下的移动k近邻查询

考虑为移动中的查询对象连续返回k个距离近并且满足空间多样化约束的对象,提出了空间多样化约束下的移动k近邻(SDC-MkNN)查询.在此,满足空间多样化约束代表对象之间的相互距离大于距离阈值.为了高效处理SDC-MkNN查询问题,提出了两种基于安全区域技术的算法.算法均通过减少重新计算查询结果的次数来提高查询效率.其中一种为精确算法EA,可连续返回精确的查询结果;另一种为近似算法ρAA,可连续返回具有近似率保障的近似查询结果.采用真实数据集验证了所提出算法的有效性.     

基于K近邻的支持向量机多模型建模

单一的支持向量机在建模时存在一定的局限性,对于复杂的实际数据,不能很好地提取其中的信息,导致模型泛化性能较差,为此提出基于K近邻的组合支持向量机方法。该方法首先采用简单距离分类方法对经过主元分析的样本数据进行分类,并采用K近邻算法得到支持向量机子模型的组合参数,进而建立起基于支持向量机的多模型。将该方法应用于双酚A生产过程中质量指标的软测量建模,仿真结果表明基于K近邻方法的支持向量机多模型建模可以有效提高模型的泛化性能,并验证了该算法的可行性和有效性。     

对基于元组向量折叠的包分类算法的改进

基于元组向量折叠的包分类算法使用向量折叠的思想,大大缩小了算法的内存占用率,但是在运用于大规模规则库时会出现大量的冗余数据,影响算法的速度.文章从元组向量折叠算法入手,提出了相应的改进措施,使其在应用到大规模规则库时,能够在降低内存占用率的同时提高算法的运行速度.     

基于微粒群优化的快速K-近邻分类算法

随着全球信息化的出现,手工分类索引已经不适用于大规模信息的处理,自动分类的研究得到迅速发展。K-近邻法是具有一定效率的自动分类算法。本文将其与智能优化技术结合,用于基于机器学习的文本分类过程中。实验结果表明,对于庞大的文档集合分类,该算法提高了分类的速度和精度。