Network Intrusion Detection Using Class Association Rule Mining Based on Genetic Network Programming

Because of the expansion of the Internet in recent years, computer systems are exposed to an increasing number and type of security threats. How to detect network intrusions effectively becomes an important technique. This paper proposes a class association rule mining approach based on genetic network programming (GNP) for detecting network intrusions. This approach can deal with both discrete and continuous attributes in network‐related data. And it can be flexibly applied to both misuse detection and anomaly detection. Experimental results with KDD99Cup and DARPA98 database from MIT Lincoln Laboratory shows that the proposed method provides a competitive high detection rate (DR) compared to other machine learning techniques. © 2010 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Fuzzy intertransaction class association rule mining using Genetic Network Programming for stock market prediction

Intertransaction class association rule (interCAR) has the ability to find the relationships among attributes from different transactions, which has shown its effectiveness for stock market prediction. A crisp interCAR mining method based on Genetic Network Programming (GNP) has been studied in our previous work. But, the crisp method loses much useful information in the discretization and it has many unstable factors influencing the prediction results, so more information is desired in order to make the prediction safer and more efficient. In this paper, a fuzzy interCAR mining method is proposed to keep as much information as possible in the data transformation. Besides, the proposed method has ability that the trading actions bring large profits. The proposed method is applied to Tokyo Stock Exchange, where we compared it with the crisp method as well as some other methods. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

一个不需要候选集的挖掘关联规则算法的研究

挖掘关联规则是数据挖掘中的一个重要课题。针对挖掘关联规则典型算法中的某种不足，介绍了一个不需要产生候选集的挖掘关联规则的算法FP－tree。经过深入研究，对它进行了分析和评价。     

基于FP增长挖掘模型的全社会行业用电关联规则分析

针对全社会行业用电量分析预测的难题,文章提出了将数据挖掘领域中的FP增长模型应用于国家电网公司行业用电分析预测活动中,通过对模型的灵活运用,完成了对全社会行业用电关联规则分析。为国家电网公司各级管理人员,更准确地掌握各行业间用电量变动的相互影响,从而更有效地安排生产、开展输配电工作提供有力的帮助。     

关联规则在输电网安全性评价中的应用

一种新的查找方法:数据挖掘方法,用来查找输电网存在的危险点。建立了一个智能化的数据挖掘工具,从输电网安全性评价数据库的大量历史数据中获取输电网中存在的危险点从而指导管理者进行决策。数据挖掘工具的核心是:采用Apriori算法找关联规则从而判断影响输电网安全性的危险点。通过危险点查找,确认发生事故的可能性及其严重程度,提出相应的整改和控制措施,达到预防、控制隐患和事故。     

电力系统暂态稳定评估的关联规则挖掘

根据IEEE16 机系统进行暂态稳定仿真, 首先对经典k- means 算法和模糊聚类FCM算法比较分析, 确定聚类个数并选择效果较好的FCM算法进行聚类, 找出候选离散断点, 再结合信息熵理论确定最终离散断点, 然后将连续数据离散化到各个离散区间中, 映射为连续的数字标识, 找出暂态稳定特征属性之间以及特征属性与暂态稳定属性类别之间的关联关系, 最后对挖掘出的规则进行分析研究, 从而对电力系统进行暂态稳定评估。     

基于数据挖掘的电站运行优化应用研究

火电机组运行优化目标值的合理确定是关系到机组经济性诊断正确性与准确性的重要因素,该文充分利用火电厂运行数据的关联特性,提出了基于模糊关联规则挖掘的电站运行优化目标值确定方法,利用改进的模糊关联规则挖掘算法从电站运行历史数据中挖掘定量关联规则,以指导优化运行,解决了传统优化目标值确定中对机组实际状态考虑不足而失去指导意义的问题。以某300MW机组历史运行数据为基础,对各典型负荷工况下的历史数据进行挖掘,得到各运行工况下的最优值以指导实际运行。运行试验结果表明,基于模糊关联规则挖掘的运行优化目标值确定方法可以提高机组运行效率,降低污染物排放,优化目标值来源于机组实际运行数据,能够反映机组在特定负荷和相关条件下的最优运行状态,可以指导机组的优化运行。     

关联规则数据挖掘及其在电厂DCS数据分析中的应用

电厂的DCS存储了大量的数据。这些数据的背后隐藏了许多对提高电厂的生产效率、经济安全性有积极的指导意义的信息。数据挖掘是从大量数据中自动提取知识的过程。对DCS的数据利用数据挖掘技术中的关联规则挖掘技术进行了探索性数据挖掘。对挖掘结果的分析表明该技术可以用于电厂机组的性能分析、状态监测、故障诊断等方面,可为机组开展状态检修提供技术支持。     

变压器故障特征量可信度的关联规则分析

变压器在线监测得到的多个特征量对于不同故障类别的潜在信息量不一样,量化各特征量与特定故障类型之间的关联度将对变压器的潜在故障诊断和预测都有着很重要的作用。为此,利用布尔型离散化方法和基于ChiMerge算法的多值离散化方法分别对变压器在线监测的连续数据进行离散化,再利用改进的Apriori关联规则数据挖掘算法计算多个变压器在线监测特征量与各个故障类型之间的可信度。最后在实例中进行了多个特征量与多个故障类型的可信度的计算,结果表明特定特征量与故障类型之间确实存在不同的关联程度,量化关联程度能有效提高故障诊断算法的效率;另外还在实例中进行了多值的关联规则挖掘,结果表明关联规则可以应用在对故障类型划分较细的变压器故障诊断。     

基于等距K-means和apriori算法的配电网故障规律挖掘方法

为了提升配电网巡检及运维效率,分析配电网线路故障的特征规律,挖掘其潜在关联因素,提出了一种基于等距K-means和apriori算法的配电网故障规律挖掘方法。该方法基于支持度、置信度和提升度框架,完成强关联规则筛选,适用于构建各类故障场景的故障规律挖掘模型。相比于传统apriori算法,该方法可处理配电网线路故障数据样本中的连续值类型属性,属性分类计算过程收敛性更强,分类结果更趋于客观性。最后以某电力公司故障数据为例,验证了该算法可获得具有较好解释性与实用性的故障巡检规则,有效缩减了配电网线路巡检范围。     

基于关联分析的城市用电负荷研究

结合电力行业数据的特殊性构建数据库,将关联规则数据挖掘分析方法应用于城市负荷分析中.采用FP-Growth算法对国内48个城市的负荷数据进行挖掘,分析各相关因素对电力负荷的影响,得出了电量及电量增长率与GDP增长率、第二产业比重、中心性等级、行政级别等相关因素的强关联规则.所获得的分析结果符合实际而且能够给出各因素的数值参考范围.     

Acquisition of optimal attribute subset through genetic algorithm using GNP‐based class association rule mining

Attribute selection is a technique to prune less relevant information and discover high‐quality knowledge. It is especially useful for the classification of a large database, because the preprocessing of data increases the possibility that predictor attributes given to the mining algorithm become more relevant to the class attribute. In this paper, a method to acquire the optimal attribute subset for the genetic network programming (GNP) based class association rule mining has been proposed, and this attribute selection process using genetic algorithm (GA) leads to a higher accuracy for classification. Class association rule mining through GNP is conducted with a small subset of data rather than the original large number of attributes; thus simple but important rules are obtained for classification while the local optimal problem is avoided. Simulation results with educational data show that the classification accuracy is largely improved from 52.73 to 74.54%, when classification is made using the optimal attribute subset. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

一种安全约束经济调度的广义网络流规划算法

本文分析了一般网络流规划算法在潮流分布、网络损失与安全约束等方面所存在的问题,提出了一种安全约束经济负荷分配的广义网络流规划模型与算法。并讨论了广义网络流规划的模型与非线性解法。对例题进行计算,验证了本文方法的有效性。     

Genetic network programming with subroutines for automatic program generation

In this paper, a subroutine mechanism is introduced in genetic network programming for automatic program generation (GNP‐APG). The proposed method named GNP with subroutines for APG (GNPsr‐APG) is an extension of the algorithm of GNP‐APG, where hierarchy programs are generated: in other words, programs that contain a main function and subroutines are generated. The proposed method automatically defines the main function and use of the potentially useful subroutines during evolution. By using subroutines, a complex program can be decomposed to several simple programs which are obtained more easily. Moreover, these subroutines are called many times from a main program, which results in reducing the size of the program significantly. The simulation results verify that the proposed method can improve the performance of GNP‐APG and reduce the size of the program. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

关联规则技术在电力市场营销分析中的应用

关联规则是一种重要的数据挖掘技术。结合电力行业的特殊性,将关联规则应用于对电力市场营销分析中。采取K-Means聚类技术实现对历史数据的离散化处理,以便进行知识归纳,运用关联规则的FP-Growth算法搜索所有的强关联规则,这些强关联规则中蕴含着电量销售与电价、气温、降水等影响因素之间的关联关系。以某市的实际电力营销数据为例,说明了关联规则的分析方法对电力市场营销具有一定的辅助决策意义。     

遗传程序设计在短期电价预测中的应用

介绍了遗传程序设计的原理,提出了一种基于遗传程序设计的短期电价预测新方法。首先对数据进行预处理,然后利用遗传程序设计进行演化建模,采用美国加利福尼亚州电力市场历史数据进行预测,通过和时间序列法的预测结果进行比较,验证了该方法在短期电价预测中的有效性。     

基于遗传规划的协调控制系统控制器设计

根据大型火电机组的协调控制系统被控对象的特性,提出了一种基于遗传规划的控制器设计方法。该方法不同于传统的多变量控制器设计方法,将多变量控制问题转化为多个单变量控制问题来考虑,而是通过遗传规划算法直接搜索适合于协调控制被控对象的最优控制律,从而使得闭环对象具有良好的控制品质,满足现场高质量的要求。并且采用遗传规划算法还可以得到适用于同样对象的PID控制器,也具有很好的控制品质,通过对两种控制器的控制效果进行比较,进一步说明遗传规划算法在控制器设计上的可行性。     

经验模态分解和遗传程序设计算法在短期负荷预测中的应用

负荷预测精度的高低关键因素之一取决于预测技术。为此,提出将经验模态分解和遗传程序设计算法相结合用于电力系统的短期负荷预测。具体预测过程是对负荷样本进行经验模态分解,然后对分解后的各本征模态分量分别利用遗传程序设计进行分时预测,并通过对各本征模态分量的预测结果进行重构来得到最终预测结果。预测结果的误差基本都在4%范围内,说明此方法能够满足实际预测要求,具有一定可行性。     

基于关联挖掘的无功优化关键参数智能辨识方法

针对传统无功优化中关键参数设置过程繁琐且设置结果不合理的问题,首先,给出一种基于斜率分段归并的曲线划分策略,用于对预测区间进行智能划分;其次,采用一种标准化欧式距离—动态时间弯曲(ED-DTW)混合策略,用于不同数据集间相似度的计算;最后,提出一种基于数据关联挖掘的无功优化参数智能辨识框架,用于对数据库内的历史数据进行挖掘。仿真采用实际电网数据对整个挖掘过程进行分析,挖掘结果显示,提出的辨识框架能自动给出参数的时段划分和设置结果,将挖掘得到的参数结果用于实际控制中,表明该方法获得的划分结果符合负荷峰谷特征,且相比传统方法,在减小电压偏差和提高电压合格率上效果更好。     

基于改进非劣分层遗传算法及基点和熵多属性决策的互联电网交易方法

利用改进非劣分层遗传算法（non—dominated sorting genetic algorithmⅡ,NSGA．Ⅱ）对互联电网多目标交易优化模型进行求解,得到多样化的帕雷托前沿,为决策提供丰富的信息,进一步与基于基点和熵的多属性决策方法结合,筛选出最优解。算例分析结果表明,该方法得出的解比用基于沙普利值的合作博弈...