入侵检测中基于SVM的两级特征选择方法

针对入侵检测中的特征优化选择问题,提出基于支持向量机的两级特征选择方法。该方法将基于检测率与误报率比值的特征评测值作为特征筛选的评价指标,先采用过滤模式中的Fisher分和信息增益分别过滤噪声和无关特征,降低特征维数;再基于筛选出来的交叉特征子集,采用封装模式中的序列后向搜索算法,结合支持向量机选取最优特征子集。仿真测试结果表明,采用该方法筛选出来的特征子集具有更好的分类性能,并有效降低了系统的建模时间和测试时间。     

带约束小生境二进制粒子群优化的生物组学数据集成特征选择

针对生物组学数据高维小样本的特点而引起的分类误差较大的问题,提出了一种带约束小生境二进制粒子群优化的集成特征选择方法。该方法利用二进制粒子群优化算法搜索分类准确率最高的特征子集,通过约束粒子编码的置位个数以限制选择特征个数,并加入多模优化中的小生境技术使算法能够一次获得多个差异度较大的特征子集,最后采用集成学习技术将基于多特征子集建立的基分类器集成为强分类器并对数据进行分类学习。实验结果表明,该特征选择方法在生物组学数据上能够稳定选择较少特征并获得较好分类性能。      

基于DHSPSO的局部LS-SVM动态建模预测

基于局部建模方法可克服数据间非线性影响的思想,提出了一种基于动态和谐搜索混合粒子群优化(DHSPSO)的局部最小二乘支持向量机(LLS-SVM)动态软测量建模方法.该方法首先通过欧式距离选取局部训练样本子集,然后利用该子集建立LLS-SVM模型.用DHSPSO的方法选取最小二乘支持向量机的模型参数及训练样本子集的大小,该方法克服了常用的交叉验证法耗时与盲目性问题,适合在线建模及预测.此算法通过对某乙烯精馏塔的塔釜乙烯浓度软测量建模的工业实例仿真,结果表明该算法较其它算法具有更好的泛化结果和预报精度,具有良好的应用潜力.     

基于微粒群算法和支持向量机的特征子集选择方法

在模式分类系统中,大量无关或冗余的特征往往会降低分类器的性能,因此需要特征选择.本文提出了基于离散微粒群(BPSO)和支持向量机(SVM)封装模式的特征子集选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法对特征进行优化,并用SVM的10阶交叉验证结果指导算法的搜索,最后选出最佳适应度的子集对SVM进行训练.两个UCI机器数据集(户外图像和电离层)的实验结果表明了提出算法的有效性.     

非完备信息系统的启发式特征选择遗传算法

为了获取非完备信息系统的相对最小特征子集,提出一种基于非完备信息系统的启发式特征选择遗传算法.本文首先构造了适应度函数,并以特征重要度为启发式信息融入特征选择;同时利用特征的相对核对种群初始化,引导染色体的进化,缩小了算法的搜索空间;且在染色体的交叉和变异过程中,对满足条件的染色体及时删除,加快算法的收敛性;实验结果验证了算法的有效性.     

基于影像组学与深度学习的食管癌磁共振成像的T分期

文中利用影像组学和深度学习方法在磁共振图像上进行食管癌T分期诊断.数据为244例食管癌患者r-VIBE序列磁共振图像.分别用影像组学和深度学习方法进行了食管癌T分期的建模,并进一步将两种方法结合建模.使用接收者操作特性曲线(ROC)和曲线下面积(AUC)对模型性能进行评价.影像组学模型的测试集AUC=0.765,深度学...     

SLAM激光扫描的建筑物建模方法与应用Building modeling method and application of SLAM laser scanning

基于SLAM激光扫描系统对目标建筑物进行点云数据采集,通过点云去噪、重采样等预处理得到了建筑物目标点云,利用特征提取算法提取建筑物轮廓线,分别采用点云数据直接建模法和基于轮廓线建模方法对目标建筑物进行了建模对比,利用传统全站仪获取的10个特征尺寸进行了精度验证。试验结果表明,直接建模法的建筑物模型精度为0.058 m,基于轮廓线建立的模型的精度为0.032 m,基于建筑物线特征约束的建模精度明显高于点云数据直接建模精度,为SLAM激光扫描系统在建筑物三维模型建立中的应用提供了方法和参考。     

基于多条件随机场模型的异常行为检测

传统的异常行为检测多数是利用单特征建模,检测的行为较为单一,检测率较低,针对这些问题,提出一种基于多条件随机场模型（MCRF）的异常行为检测方法,MCRF模型具有融合多特征和联系上下文信息的优势。通过Kinect获取3D骨架数据,提取角度、位置、速度三类特征,形成多类特征子集,利用基本的CRF模型对每一类特征子集建模,形成多个CRF单元,然后组合所有的CRF单元,得到MCRF模型,最后利用MCRF模型进行异常行为检测。实验结果表明基于MCRF的异常行为检测方法具有较高的检测率。     

面向恶意网址检测的广谱特征选择与评估

针对恶意网址检测系统的特征选择和降维问题,基于特征选择方法的优化结果提出多种特征子集。利用基于分类器的准确率和召回率等性能评价指标,采用随机森林、贝叶斯网络、J48、随机树机器学习方法,对信息增益、卡方校验、信息增益率、基于Relief值、基于OneR分类器、基于关联性规则、基于相关性等多种特征选择算法所确定的特征子集进行检测。结果表明,除基于相关性特征选择算法确定的特征子集外,其他方法确定的特征子集均具有良好的分类性能,其中基于关联性规则选择的特征子集的维度仅为5,但各分类器基于此特征子集的分类准确率均高达99%以上。     

基于自编码器结构改进的无监督图像异常检测

基于自编码器结构的无监督学习算法已经被广泛应用在异常检测中如智能制造、医疗影像、安防监控等领域。针对现有的基于自编码器结构的图像异常算法模型与传统有监督模型相比仍存在识别精度差、鲁棒性较差、训练效率低的问题,提出了基于图像特征重建方法的自编码器架构和基于迁移学习思想对自编码器进行特征增强处理的异常检测算法。通过引入预先训练的特征提取网络作为前置图像特征提取模块完成对输入图像多尺度特征的提取和融合,得到输入图像的多尺度特征融合图,再据此选择搭另一个预训练网络和自编码器组成Teacher-Student模型,完成自编码器模型的快速收敛。基于多尺度特征融合图的重建思想是利用了图像卷积特征的可判别性,实现了对图像潜在的异常信息的辨识。在自编码器与预训练网络构成的T-S模型中,经过预训练的T模型将S模型的解空间限定在一定范围,极大加速了模型的训练过程。在MVTec-AD标准数据集上将本文所提方法与现有方法进行实验对比,验证了方法的可行性。     

网络流量特征选择方法中的分治投票策略研究

特征选择作为机器学习过程中的预处理步骤,是影响分类性能的关键因素.网络流量具有数据量大,特征维度高的特点,如何快速提取特征子集,并提高分类效率对于基于机器学习的流量分类方法具有重要意义.本文提出基于分治与投票策略的特征提取方法,将数据集分裂为多个子集,分别执行特征提取算法,利用投票方法获得最后的特征子集.实验表明可有效提高特征提取的时间效率,同时使分类器取得良好的分类准确率.     

基于BP神经网络的引线键合模型

提出了一种基于BP神经网络的新建模方法.利用MATLAB神经网络函数建立网络,通过组合不同参数,将50组训练样本输入网络多次训练,比较结果误差及训练步数、时间,确定了最佳网络结构及参数设置值,建立了引线键合模型.采用训练样本外的10组实验数据对模型进行验证,分析多种误差.验证结果表明,该方法对建立引线键合模型是有效的、可行的,有着较高的精确度.     

基于聚类分析的内核恶意软件特征选择

针对现有基于数据特征的内核恶意软件检测方法存在随特征的增多效率较低的问题,该文提出一种基于层次聚类的特征选择方法。首先,分析相似度计算方法应用于数据特征相似度计算时存在的困难,提出最长公共子集并设计两轮Hash求解法计算最长公共子集;其次,设计基于最长公共子集的层次聚类算法,有效地将相似特征聚类成簇;在此基础上,设计基于不一致系数的内核恶意软件特征选择算法,大大减少特征数,提高检测效率。实验结果验证了方法的有效性,且时间开销在可接受的范围内。     

多源遥感影像的集值特征选择与融合分类

提出了一种多源遥感影像集值特征选择(SVFS)与评价新方法.该方法根据训练样本在原始特征空间中的多维统计特性建立了关于其集值特征的目标信息系统,对于给定的集值特征间的二元关系,利用属性约简进行了特征选择并给出了相应的重要度评价算法.对多源遥感影像的融合分类实验表明,该方法是基于广义粗糙集的多源遥感影像特征选择与融合分类有效手段.     

基于特征优化的网络入侵检测模型设计

为了克服当前网络入侵检测模型存在的局限性,以获得更加理想的网络入侵检测结果,设计基于特征优化的网络入侵检测模型。首先研究当前网络入侵检测建模现状,分析特征对网络入侵检测结果的影响,然后建立网络入侵检测的特征优化数学模型,通过模拟自然界生物进化的自适应遗传算法对特征优化数学模型的解进行搜索,对最优解反编码得到入侵检测的最优特征子集,最后根据最优特征子集对网络入侵检测的学习样本进行建模,设计最优的网络入侵检测模型。采用网络入侵检测的标准数据集进行仿真对比测试,文中模型的网络入侵检测平均正确率大约为95%,而当前其他网络入侵检测模型均在95%以下,同时该模型的入侵检测建模训练和检测时间大幅度减少,能够获得更优的网络入侵检测效率。     

基于多模型融合的开放式创新社区内容质量特征挖掘

开放式创新社区高质量用户生成内容特征对企业精准获取技术创新意见具有重要作用。本文构建了开放式创新社区用户生成内容质量多维评价体系,提出一种融合5种算法的特征选择方法,在3种分类模型评估中得出最优特征子集,挖掘重要因素与高质量用户生成内容之间的关系。集成特征子集在模型上计算时间平均节约54.54%,比单一特征选择算法得到的特征子集预测准确率平均提高10.47%。基于多模型融合算法能够客观全面评估开放式创新社区用户生成内容质量,让企业能够精准识别高质量用户生成内容,促进企业开放式创新。     

基于线性混合效应模型的脑结构影像的研究

已有研究经常忽略现实情况中年龄和性别对于大脑结构影像数据的影响,导致特征选取的有效性降低,最终造成分类准确率的降低。为此,提出基于线性混合效应模型的方法进行特征选择,考虑到年龄和性别对影像指标的影响,通过相关显著性的大小选取脑影像指标作为特征构建分类器,应用于不同人格特质的组内分类及识别中。分类结果显示,基于线性混合效应模型的方法使得不同人格分类准确率有较明显的提高。     

基于局部匹配和全局验证的辐射源匹配方法

针对检测概率较低、开关比较频繁情况下的辐射源匹配问题,给出了一种有效的解决方法.该方法将辐射源群的测量集合看作带有特征信息的点模式,并采用了局部匹配和全局验证相结合的策略:首先通过局部匹配找出一组局部匹配子集对,然后将所有局部匹配子集对聚合成一对全局匹配子集,最后对该全局匹配子集对进行验证并得到最终的匹配结果.考虑到辐射源位置偏差较大、特征不具有排他性等现实情况,在匹配过程中综合利用了辐射源的位置和特征信息.仿真实验数据显示,文中方法的正确匹配率明显高于现有方法,从而证实了该方法的有效性.     

融合相对熵与自适应LLE的两阶段文本降维方法

多数基于贪婪策略的特征选择往往只能得到次优解.对此提出了一种两阶段特征降维方法,首先设计条件乘积相对熵算法以选择文档的特征子集,然后在文档特征子集中使用提出的自适应LLE算法进行特征抽取以进一步降低文档特征维度.实验结果显示,两阶段降维方法可显著降低维数并提高文本挖掘性能.     

UML到Verilog同态映射在SOC系统级建模上的应用

SOC设计变得日益复杂要求我们在更高层次抽象上分析和验证系统行为。更精细的系统级建模方法变得日趋重要。文章主要目标是阐述怎样使用统一建模语言UML来构建一个复杂SOC设计框架及抽象其各个模块间行为的交互，建立了一个UML到Verilog的同态映射。提出了一个基于同态映射的从UML模型子集自动导出相应可综合Verilog描述的算法，为UML模型对于建模硬件系统提供了形式化的语义，从而能够验证并综合UML模型，加快了SOC设计流程。