动态自学习的入侵检测模型研究

针对目前常见的入侵检测的模型的一些结构性的缺点,提出了基本数据挖掘的动态自学习入侵检测模型DMIDS,给出了动态自学习的正常行为库的更新机制,克服了传统静态检测模型必须完全重新学习才能更新模型甚至无法重新学习的缺陷.通过基于KDD'99数据集的实验,表明其相对于传统的异常检测方法在保证较高检测率的前提下,有效地降低了误报率.     

基于概率统计的电压监测仪管理系统研究

现有的电压监测仪管理系统对电网电压的时域特性及概率分布情况不能进行详细地分析,统计结果往往不能满足智能电网对于数据的需求。针对这一问题,首先分析了目前国内外现行的电压监测仪管理系统中电压质量的统计分析方法的优缺点;在此基础上,采用概率统计理论提出了分析电压质量的新方法。该方法结合某省电网的统计数据进行了分析,分析结果表明该方法可以更加有效、科学地评价电压监测仪管理系统中的电压质量。     

基于大数据的UserBased推荐算法的研究

在科技迅速发展的时代,人们不断地接触新事物和新技术来提高自己,因此,网购成为了最受大家追捧的生活方式之一.论文以电商平台的商品为研究对象,提出了基于用户推荐算法的研究与改进.论文主要研究的是UserBased协同过滤推荐算法,此算法的优点是可以实现跨领域、惊喜度较高;同时也存在着不足之处,比如,推荐结果的个性化比较弱、...     

基于非抽样Contourlet变换的多聚焦图像融合算法

文中研究了非抽样Contourlet变换（NSCT）的原理,以及其多尺度、局部化、方向性和各向异性等优点。提出了一种基于NSCT的多聚焦图像融合新算法。本算法将多聚焦图像进行NSCT分解,不同子带采用不同的融合规则,低频子带采用新的基于灰度形态学梯度算子的融合算法,并做一致性检测,带通子带采用基于区域能量的融合算法。最后将融合得到的系数进行NSCT反变换得到融合图像。实验结果表明,与其他融合算法相比较,该算法可以更有效地保留源图像信息和细节特征。     

一种改进的加权关联规则挖掘算法

基于经典Apriori算法的加权关联规则挖掘算法New-Apriori存在3个问题,需要多次扫描数据库,权值定义不合理和权值的引入导致Apriori基本性质不再成立。为了解决这些问题,采用将矩阵和加权关联规则算法相结合的方法,该改进算法具有只需要扫描一次数据库,权值的定义既考虑到了权重大的项目,也没有忽略频繁出现而权重小的项目,并引入K-项支持期望作为减枝的依据的特点。     

基于密度和粒子群的SVM算法研究

针对SVM算法在训练过程中,对于训练样本集过大,导致训练过程中的冗余样本和噪声会使划分超平面受到影响,于是提出使用基于密度的裁剪方法对训练样本进行裁剪,去除样本集的噪声和冗余样本,优化分类超平面的划分,提高分类准确率。而在SVM算法中的惩罚因子C和核函数g对于分类性能影响较大。提出基于粒子群算法对SVM算法进行改进,通过粒子群算法优化惩罚因子C和核参数g。使用样本集对改进算法进行实验论证,该方法确实有效地提升了SVM分类性能。     

基于遗传优化RBF神经网络的声纹识别研究

提出了一种基于遗传优化RBF神经网络的声纹识别算法,该算法中采用遗传算法对传统的RBF神经网络基函数中心以及宽度进行优化处理,克服了传统RBF神经网络参数难以确定的缺陷。同时,算法结合心理声学模型,提取了能表现说话人个性特征的Mel倒谱系数为特征进行说话人识别,可较好地提升系统的抗噪性能。仿真实验结果表明,与传统RBF神经网络相比,该方法具有快速学习网络权重的能力,并且网络的全局寻优能力强,使得系统的识别率进一步提高。     

基于灰色关联分析的分布式协同过滤推荐算法

针对原始的基于用户(User-based)或基于评分项目(Item-based)的协同过滤推荐算法(CFR)大多采用"硬分类"式聚类,且具有数据稀疏性和可扩展性的问题,提出一种基于灰色关联分析的分布式协同过滤推荐算法。算法使用Hadoop分布式计算平台,首先,计算评分矩阵中每个评分项目的灰色关系系数;然后,计算各评分项目的灰色关联度(GRG);最后,根据GRG获得每个评分项目的近邻集合,对不同用户的待预测项目用对应的近邻集合对其评分进行预测。通过在MovieLens数据集上进行实验,与User-based和Item-based的CFR算法相比,该算法平均绝对误差分别下降了1.07%和0.06%,而且随着数据规模的扩展,通过增加集群节点,算法运行效率有相应的提升。实验结果表明,该推荐算法可以有效地实现大规模数据的推荐,并能解决数据可扩展性的问题。