文本分类中的特征选取算法

分析了常用的几种特征选取方法，提出了改进互信息算法。实验结果显示改进的互信息算法是可行的。     

基于改进互信息的动名搭配自动获取方法

根据动名搭配的结构特点,对基于互信息的搭配知识获取方法进行了改进,使之成功地应用于动名搭配识别.对200万熟语料的实验结果表明,改进的方法比互信息方法的F值有了较大提高.     

结合语义的位置语言模型

针对位置语言模型没有考虑词与词之间语义关系的问题, 提出一种结合语义的位置语言模型。首先采用高斯核函数来度量词与词之间的位置关系; 然后提出一种平滑互信息的技术来度量词与词之间的语义关系, 证明了平滑互信息能够有效解决大量词对之间无法通过互信息来计算转移概率的问题; 还证明了位置语言模型是结合语义位置语言模型的一个特例; 最后将结合语义的位置语言模型应用于信息检索, 得到一个基于该模型的检索模型。实验结果表明, 基于该模型的检索模型在性能方面要优于基于位置语言模型的检索模型。     

基于粗糙集的不相容决策表属性约简算法

对Skowron可辨识矩阵方法进行分析,应用反例说明基于Skowron可辨识矩阵方法对不相容决策表属性约简中存在一定的局限性.针对这一问题,提出了一种基于互信息的求属性核方法,并在此基础上利用互信息作为启发信息,在算法中加入了消除冗余属性的二次约简过程,构造一种完备的启发式属性约简算法.实例分析表明该算法能够有效地对不相容决策表进行属性约简,且具有较好的约简效果.     

基于多分辨率和互信息的图像配准方法研究

用互信息进行图像配准可使配准的精度达到亚像素级,但该方法因计算量很大致使配准速度较慢.为了提高图像配准速度,并进一步提高配准的精度,首先运用多分辨率的方法将两幅待配准图像分别分解成n个不同分辨率的子图像,然后利用互信息先将分辨率最低的图像进行粗配准,并将此配准的结果作为下一个分辨率较高的图像配准的基础,继续这个过程直至最高分辨率图像被配准,即运用由粗到精的配准策略减小计算量,从而提高配准速度.用Visual C++6.0编程实现该配准方法,实验结果表明在图像配准过程中将多分辨率和互信息结合起来使用,配准速度得到很大的提高,并且由于多分辨率的使用有利于避免局部最大值,使得配准精度也有了一定程度的提高.     

基于互信息和K-means聚类的信息安全风险评估

针对信息安全风险评估训练数据少、求解最优值困难等问题,提出了基于互信息和K-means聚类的信息安全风险评估方法.用模糊评价法量化风险指标,通过互信息计算风险因素与风险等级之间的依赖性,找出风险度在每个等级的最优点作为K-means初始中心点,用K-means算法对数据分类.该方法实现简单且克服了 K-means对初始...     

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题，由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量，这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低．为此，本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件，并在此基础上用高斯混合模型来估计信号的概率分布，提高了信号概率密度估计的精度；同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法，提高了算法的收敛速度．通过对船舶辐射噪声信号的盲分离实验，证明了此分离算法是有效的．     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

接收空间调制信道容量计算及其鲁棒性设计

针对接收空间调制(RSM)系统中信道输入为有限码集导致香农容量公式不适用于RSM信道容量计算的问题,通过分析信道输入输出之间的互信息,推导了发射机拥有完美信道信息情况下的RSM系统的信道容量表达式,并进一步给出发射机的信道信息存在误差时具有鲁棒性的RSM预编码矩阵设计(RRSM)方法。该方法将二进制数据流映射成某根期望接收天线空间序号和传统调制符号,把它们作为RSM系统的信道输入,经发射预编码后得到信道输出;然后采用迫零算法使得信号功率在选定的期望接收天线处聚集而在其他接收天线处迫零,用所选定的期望接收天线的空间序号来传输额外信息比特;最后考虑RSM发射机的信道状态信息有误差,根据最小均方误差准则建立目标函数,求解得到RSM最优的鲁棒预编码矩阵。数值仿真实验表明:当发射机的信道状态信息误差的方差为0.3时,RRSM方法相比原始的RSM方法可使最优检测在误码率为10-4时获得1dB性能增益,次优检测在误码率为10-2时获得2dB增益。     

一种针对木马流量的特征选择方法

针对现有基于会话流异常行为的木马检测方法中,普遍存在所选特征代表性不足、特征间信息冗余导致检测效果差的问题,提出一种特征选择方法。首先,通过捕捉流量对木马通信行为加以分析,根据各阶段提取相关的属性,并在每一属性上进行派生,得到足够充分的特征集合。然后,为了衡量特征的重要性和特征间的相关性,提出了改进的特征重要性评价系数和基于关联信息熵的联合相关性评价系数,并设计了基于序列后向选择策略的特征选择算法,以得到自适应规模的特征子集。算法通过每一轮迭代计算特征的评价系数,通过排序完成选择。为验证该算法有效性,采用朴素贝叶斯分类和支持向量机分类算法设计了与FCBF算法和IG算法的对比实验,相较于FCBF算法,在两种分类算法上的召回率分别提升3.76%、1.64%,F_1值提升分别为1.04、0.99。相较于IG算法,召回率提升分别为6.46%、4.96%,F_1值提升分别为3.56、3.18。实验结果表明,提出的特征选择算法能够有效选择木马流量各个属性上的特征,克服特征间关联性带来的影响,在缩减特征维度的同时提升木马通信流量的检测效果。