基于AdaBoost-SVM的P2P流量识别方法

针对传统的P2P流量识别技术存在识别率低和误判率高的缺点,将机器学习中Ada Boost算法的良好分类能力和SVM的泛化能力结合起来,提出一种基于Ada Boost-SVM组合算法的P2P网络流量识别模型,将SVM作为Ada Boost的基分类器,运用最小近邻法计算支持向量与训练集的样本间的距离实现分类进行P2P流量识别。最后,以4种P2P流量数据为研究对象在MATLAB上进行仿真,仿真结果表明,提出的Ada Boost-SVM的组合算法在P2P网络流量的分类性能和分类准确率上都优于单纯的Ada Boost和SVM,组合算法的P2P流量平均识别率高达98.7%,远高于Ada Boost和SVM的识别率。     

基于Map/Reduce的朴素贝叶斯数据分类算法研究

针对目前机器学习研究领域中的数据分类问题,选择朴素贝叶斯算法作为研究对象。首先,通过对样本数据特征属性的权重进行加权调整,提高算法处理的准确率;然后,改进朴素贝叶斯算法分类器模型,使其能够利用Map/Reduce并行编程模型,采用多计算资源节点并行处理,进一步提高处理速度。最后,对UCI dataset数据库进行实验验证,结果表明:改进后的算法在海量数据分类处理中具有更好的性能表现。     

一种面向自动化标检的文本分类方法

针对自动化标检中的段落文本分类问题,提出一种基于机器学习的改进朴素贝叶斯分类算法。该方法对朴素贝叶斯分类算法进行改进并作为分类器,采用遗传算法作为训练模型对分类器中的所有特征权重进行训练,并采用一种基于图表位置的修正算法优化分类结果。在实际的数据集中进行了实验,结果表明,该方法与传统KNN(K-nearest neighbor)算法和朴素贝叶斯算法相比具有更好的分类结果,能够有效的处理错误样本较多的情况,可大幅提升自动化标检的准确性。     

萤火虫优化的异构集成学习网络入侵检测方法

在网络入侵检测中单独使用一种机器学习方法检测存在盲区,检测精度较低,提出一种基于GSO优化权值的异构集成学习入侵检测算法.在构造基分类器中,通过对样本集的采样和特征集的选择增大各个基分类器样本间的差异性;通过不同学习算法对样本集的学习增强基分类器的差异度,通过加权方式集成得到检测结果.在设计权值时,引入萤火虫优化算法,对各个基分类器的分类结果权值进行优化.在通用数据集和CSE-CIC-IDS2018数据集上的实验,表明提出的方法能够有效提高检测的精度,降低误报率和漏报率.     

基于机器学习的CSE-CIC-IDS2018入侵检测数据集优化降维分析

测试数据集的质量对入侵检测系统的性能起着至关重要的作用,在保证质量的前提下对入侵检测数据集优化降维,是提高入侵检测系统高效准确运转的重要措施.使用K近邻、决策树、随机森林和Softmax分类算法,对CSE-CIC-IDS2018入侵检测数据集进行特征维数探究,按照特征重要性评分对分类器进行特征递减式训练,分析机器学习分类器对该数据集的特征维数依赖关系.结果表明,数据集的特征数量由83个减少至最低7～9个时,分类器仍可以保持较高的分类性能,且检测时间显著减少,计算效率更高.     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

一种面向军事物联网的网络流量异常检测模型

针对军事物联网中网络流量数据日趋复杂,数据特征维度高等特点,将卷积神经网络算法应用到网络流量分析领域.根据数据特点,构建出一种基于无池化层改进型卷积神经网络(NPCNN,No Pooling CNN)的网络流量异常检测模型.采用Modbus、NSL-KDD和KDDCup99数据集对NPCNN网络流量异常检测模型进行验证,同时将NPCNN网络结构同传统的卷积神经网络对比,通过对实验结果的分析发现,该模型在军事物联网网络流量异常检测中具有可行性和可扩展性.同时NPCNN网络在准确率性能方面优于传统的卷积神经网络,为军事物联网网络流量分析提供一种可靠方法.     

基于CBQ技术的带宽管理机制

为了能够合理有效地管理网络带宽资源,解决日益增加的网络流量和带宽资源紧张的矛盾,首先研究了基于CBQ技术进行网络带宽管理的基本原理,然后仿真分析了该带宽管理机制中的流量分类、带宽分配、链路共享以及对链路上空闲带宽管理等方面的特性。结果表明,基于CBQ技术的带宽管理机制,可实现灵活的基于分层结构的流量分类方式,对链路上流量进行精确的带宽控制,使用独特的带宽借用特性管理网络上的空闲带宽,在保护关键应用性能的同时大大地提高了带宽利用率。     

基于PCA与FCM的入侵检测样本数据压缩方法

采用行列双向压缩的数据处理策略,提出了一种基于主成分分析与模糊C-均值聚类算法的入侵检测样本数据压缩方法。该方法首先采用主成分分析法对数据冗余特征进行压缩,然后采用模糊C-均值聚类算法对冗余样本进行压缩,由此可挖掘入侵检测样本数据中的关键特征和关键样本。通过KDD CUP99数据集测试证明:数据双向压缩可减少入侵检测分类器的计算量,进而可提高其实时检测性能和检测推断的准确性。     

模糊识别和随机森林算法在柴油机振动信号状态识别中的应用

针对模糊识别算法中,样本特征向量中各参量(分量)对状态分类的贡献权重难以确定的问题,提出了利用随机森林算法对特征参量的重要度评估结果作为特征权重的方法。通过对柴油机台架试验振动信号的跟踪分析,获得了柴油机在磨合期、100摩托小时、200摩托小时、300摩托小时及400摩托小时5种不同使用期(典型状态)的75个振动信号样本,然后计算出各类样本在幅域、时域和频域的特征参量,利用随机森林算法进行特征选择,确定4个重要特征参量及其权重,用统计方法得出其隶属度函数,最后根据评价向量对样本进行识别,识别准确率达到94%以上。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题，提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系，将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数，构建导弹攻击结果预测模型。在实验部分，结合重构误差和测试错误率确定深度置信网络的网络结构，通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法，满足实时性和准确性要求，所提方法具有良好的应用价值。     

机载激光雷达数据的三维深度学习树种分类

针对传统基于激光雷达(Light Detection And Ranging,LiDAR)数据的树种分类方法难以直接且全面地利用点云的三维结构信息的问题,提出一种基于三维深度学习的机载LiDAR数据的树种分类方法.该方法直接从三维数据中抽象出高维特征,而无须将点云转化为体素或二维图像.以塞罕坝国家森林公园内白桦和落叶松...     

无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

基于支持向量机的威胁判断模型

目标威胁判断是防空作战中一项重要内容,在建立目标威胁模型时,首先要挑选特征参数,分析了影响威胁度的若干因素.这里采用Rough理论中知识约简方法选择目标的特征参数;支持向量机是一类新型机器学习方法,由于其出色的学习能力,该技术已成为当前国际机器学习界的研究热点,利用支持向量机建立了威胁判断模型,给出了实例和解决此问题的支持向量机源程序.通过实例与神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.     

一种自组织神经网络及其应用

提出了一种适用于目标识别和故障诊断的自组织神经网络（ＳＮＮ）模型和一种基于模糊关联度的判别准则。ＳＮＮ学习速度快,能在不破坏原有“知识”的情况下,学习、记忆新知识,且具有对外部环境的自适应能力。新的判别准则充分考虑了网络输出矢量各分量的大小因素及其与各期望目标矢量的相关程度,使类别判决更加合理可靠。本模型被用于被动声纳目标分类,取得了较好的效果。     

基于卷积神经网络的卫星网络协调态势评估方法

为充分发掘利用海量卫星网络数据,提高决策效率,加强空间频轨资源获取与储备的分析手段,尤其是对地球静止轨道资源的协调获取问题,提出基于机器学习算法的卫星网络态势评估策略。通过对卫星网络协调因素进行特征分析,选择卷积神经网络(Convolution Neural Network, CNN)为目标算法模型,并建立算法模型的训练数据集及Label规则,采用分裂信息增益度量方法对数据进行降维处理,建立CNN评估模型,并进行了验证分析。结果表明,CNN模型对卫星网络协调态势评估问题测试的正确率高达80%以上,具有较高的评估效能。随着数据量的增多,CNN评估效果逐步提升,是一种在卫星网络协调态势分析、资源储备的有效评估方法。     

基于支持向量机的多传感器空中目标识别研究

针对空中目标识别的复杂性,将支持向量机引入对空中目标的多传感器识别,对其机理进行了详细分析,建立了基于支持向量机的空中目标识别的算法模型.仿真实验的结果表明,该方法具有很好的识别效果,并且是一种能在训练样本很少的情况下达到很好分类推广能力的学习算法.     

一个基于面向对象模型的并行系统

为了开发分布式系统中的计算资源,我们设计了一个基于面向对象大粒度数据流模型的并行Ｃ＋＋系统ＯＯＣＰＣＳ．该系统的底层计算模型是面向对象范式和数据流模型的结合体。它将状态对象引入到数据流模型中,并且支持面向对象的特性。本文讨论了此模型在ＯＯＣＰＣＳ系统中的实现;并行化编译器;ＰＯＣ程序设计语言;面向对象网络文件Ｉ／Ｏ和虚拟ＯＯＬＧＤＦＭ机