基于冗余提升不可分离小波的图像边缘检测方法

根据“五株排列”的不可分离小波构造方法,把基于矩形栅格的数字图像进行冗余提升,从而构造了“最大-提升”小波,由此提出了图像边缘检测的新方法,并将其与传统的B样条小波边缘检测方法进行比较,通过数据试验证明了新方法的优越性。     

基于空间梯度直方图的行人检测算法

为了快速准确地对行人进行检测,提出了一种采用空间梯度直方图作为特征的行人检测方法。该方法首先使用直方图相似性和Fisher准则来衡量所有定义特征的分辨能力,然后选择一些具有强分辨能力的特征来表征行人,使该方法获得了较高的检测率;最后用SVM分类器用来训练从目标和背景中获得的经过筛选的特征。实验结果表明,该方法对行人的检测是快速且有效的。     

融合随机森林和梯度提升树的入侵检测研究

网络入侵检测系统作为一种保护网络免受攻击的安全防御技术,在保障计算机系统和网络安全领域起着非常重要的作用.针对网络入侵检测中数据不平衡的多分类问题,机器学习已被广泛用于入侵检测,比传统方法更智能、更准确.对现有的网络入侵检测多分类方法进行了改进研究,提出了一种融合随机森林模型进行特征转换、使用梯度提升决策树模型进行分类...     

基于梯度提升决策树的变形宏病毒检测

宏病毒在高级持续性威胁中被广泛运用.其变形成本低廉且方式灵活,导致传统的基于病毒规则库的反病毒系统难于有效对抗.提出一种基于梯度提升决策树的变形宏病毒检测方法.该方法以病毒专家经验为指导,实施大规模特征工程,基于词法分析对变形宏病毒做细粒度建模,并使用海量样本训练模型.实验表明,该方法能够准确检测企业级用户网络中传播的...     

基于自然梯度提升的空间物体轨道状态预测误差不确定性估计方法

针对空间监视环境中基于动力学模型的轨道状态预测方法精度不够,基于机器学习的误差补偿模型可靠性不足,以及SSA应用中对不确定性建模的需求,将轨道状态预测误差估计问题重新表述为概率预测问题,提出一种对物理模型的轨道状态预测误差进行建模的方法.该方法将轨道状态变量误差的概率分布参数作为梯度提升算法的学习目标,以量化轨道状态误差估计中的不确定性.由于参数所对应的概率分布函数位于黎曼空间,利用基于Fisher信息矩阵的自然梯度代替标准梯度,推导自然梯度的计算公式,并给出状态预测误差的条件概率分布.实验结果表明,与仅采用物理动力学方法的状态预测相比,采用所提出机器学习误差估计方法后,轨道状态各分量的均方根误差至少降低约60%.同时,与其他常用不确定性估计方法相比,所提出方法可以得到更好的负对数似然值,因此能够有效估计状态预测误差的不确定性,提高将机器学习方法用于空间态势感知任务时的可靠性.     

基于提升算法的边缘检测方法的研究

1.引言图像边缘是图像的重要特征,是一种重要的视觉信息,图像的边缘检测在图像处理和计算机视觉中占据着重要地位,边缘检测的定位准确度和精度直接影响到整个系统的性能好坏。然而图像边缘检测的本质问题尚未得到圆满解决,至今没有一个通用而且有效的检测方法能够满足不同目的的需要,究其原因就是该过程不是独立于整个图像处理任务的,并且物体的某些部分(如边界)并不总是可见的。一个更好的解决办法就是多分辨率分析法,以局部极大值点为边缘点,由粗到精地确定图像的边缘,给出边缘的空间——尺度联合信息,从而可以更加精确地描述图像场景中的物体。本文正是基于这种思路,提出一种基于提升算法(Lifting Scheme)的多分辨率边缘检测方法,可以得到不同分辨率上的边缘信息从而描述图像场景中的物体。     

基于动态特性描述的变量加权型分散式故障检测方法

现代工业生产过程往往具有复杂的动态特性: 不同测量变量间会存在不同的时序相关性, 且变量间的相互影响会反映在不同的采样时刻上. 现有的动态过程监测模型往往不能充分挖掘变量间的动态特性, 其故障检测效果也有待进一步提高. 在此背景下, 本文提出一种基于动态特性描述的变量加权型分散式故障检测方法. 利用最大相关最小冗余(Minimal redundancy maximal relevance, mRMR) 算法更准确地描述动态过程变量间的相关性关系, 并利用该相关性的值对原始增广矩阵进行加权处理, 且不同延迟变量对当前测量值的影响大小就通过权值来体现, 因此能更加全面地刻画该测量值的动态特性. 最后建立一种融合mRMR算法, 贝叶斯推理以及动态主成分分析(Dynamic principal componemt amalysis, DPCA)模型的新的分布式建模策略, 提高了模型的容错能力和泛化能力, 取得了更好的故障检测结果.     

基于HOG-GLRLM特征的肠癌病理图片分类

针对利用单一特征集对肠癌病理图像的识别率难以提高这一情况,提出了一个基于HOG-GLRLM特征肠癌病理图片分类方法。考虑到图像中丰富的纹理和边缘信息,分别利用改进型的灰度行程矩阵和梯度方向直方图提取特征。并采用最小冗余最大关联的方法对各自和合并特征集进行特征选择。实验结果表明该方法的有效性。     

基于梯度提升决策树的微博虚假消息检测

微博是信息共享的重要平台,同时,也成为虚假消息产生和推广的重要平台,虚假消息的传播严重扰乱了社会秩序。为了快速、有效地识别微博虚假消息,提出一种基于梯度提升决策树（GBDT）的虚假消息检测方法。首先,从评论的角度分析微博虚假消息和真实消息之间存在的差异,在此基础上提取评论中的文本内容、用户属性,信息传播和时间特性的分类特征;然后,基于分类特征,采用GBDT算法实现微博虚假消息识别模型;最后,在两个真实的微博数据集上进行验证。实验结果表明,基于GBDT的识别模型能有效提高微博虚假消息检测的准确率。     

融合残差网络和极限梯度提升的音频隐写检测模型

针对目前音频隐写检测方法对基于校验网格编码(STC)的音频隐写检测准确较低的问题,考虑到卷积神经网络(CNN)在抽象特征提取上的优势,提出一种融合深度残差网络(DRN)和极限梯度提升(XGBoost)的音频隐写检测模型.首先,利用固定参数的高通滤波器(HPF)预处理输入的音频,并通过三个卷积层提取特征,其中第一个卷积层...     

基于经验模态分解自回归组合模型的网络舆情预测

随着大数据时代的到来,网络舆情数据呈现信息量大和领域覆盖广等特征。面对复杂的网络舆情数据时,传统单一模型预测能力有限,不能对舆情趋势进行有效预测。针对此问题,提出一种基于经验模态分解-自回归（EMD-AR）改进的组合模型——EMD-ARXG模型,应用于复杂网络舆情的预测。该模型利用经验模态分解算法对时间序列进行分解,然后通过自回归模型对分解后的时间序列进行各自趋势拟合,建立子模型。最后再对各个子模型进行重构,完成建模。另外,在利用自回归（AR）模型拟合过程中,为了减少拟合误差,采用极限梯度提升算法对残差进行学习,并使预测模型迭代更新,提高各个子模型预测精度。为验证EMD-ARXG模型的预测效果,该模型与小波神经网络模型和基于经验模态分解的神经网络模型进行实验对比。实验结果表明,在均方根误差（RMSE）、平均绝对百分误差（MAPE）和希尔不等系数（TIC）三项指标上,EMD-ARXG模型获得的结果均优于小波神经网络模型和基于经验模态分解的神经网络模型的结果。     

多层极限学习机在入侵检测中的应用

针对神经网络在入侵检测应用存在的维度高、数据大、获取标记样本难、特征构造难、训练难等问题,提出了一种基于深度多层极限学习机(ML-ELM)的入侵检测方法。首先,采用多层网络结构和深度学习方法抽取检测样本最高层次的抽象特征,用奇异值对入侵检测数据进行特征表达;然后,利用极限学习机(ELM)建立入侵检测数据的分类模型;其次,利用逐层的无监督学习方法解决入侵检测获取标记样本难的问题;最后采用KDD99数据集对该方法的性能进行了验证。实验结果表明:多层极限学习机的方法提高了检测正确率,检测漏报率也低至0.48%,检测速度比其他深度模型的检测方法提高了6倍以上。同时在极少标记样本的情况下仍有85%以上的正确率。通过多层网络结构的构建提高了对U2L、R2L这两类攻击的检测率。该方法集成深度学习和无监督学习的优点,能对高维度,大数据的网络记录用较少的参数得到更好的表达,在入侵检测的检测速度以及特征表达两个方面都具有优势。     

CSTeller: forecasting scientific collaboration sustainability based on extreme gradient boosting

World Wide Web - The mechanism why two strange scholars become collaborators has been extensively studied from the perspective of social network analysis. In academia, two scholars may collaborate...     

基于Boosting算法的入侵检测

提出了一种新颖的基于boosting BP 神经网络的入侵检测方法。为了提高BP神经网络的泛化能力,采用改进的Boosting方法,进行网络集成。Boosting方法采用更有效的参数求解方法,即弱分类器的加权参数不但与错误率有关,还与其对正样本的识别能力有关。对“KDD Cup 1999 Data”网络连接数据集进行特征选择和归一化处理之后用于训练神经网络并仿真实验,得到了较高的检测率和较低的误报率,仿真结果表明,提出的入侵检测方法是有效的。     

大数据融合模型的智能化网络安全检测方法

针对传统智能化网络安全检测平台处理数据效率低、误差大等问题,文章提出一种新型的解决方案;该方案基于大数据融合模型构建新型的智能化网络安全检测平台,采用卡尔曼滤波算法、采用数据融合分类算法和模糊推理算法3种方法结合构建出数据融合模型来对网络安全检测数据进行运算与处理;其中,采用卡尔曼滤波算法进行改进,对原始网络安全检测数据进行滤波降低噪声干扰,提高数据的精准度;通过SAE稀疏自动编码器自主提取网络安全检测数据的特征信息,之后K-means聚类算法对SAE稀疏自动编码器输出的数据进行处理,通过模糊推理算法调整权值;试验表明,文章所提方案克服了现有技术存在的不足,显著提高了处理数据效率和精准度,在数据量为2 TB的环境下,本研究方法的误差低至6.9％.     

Feature selection based on artificial bee colony and gradient boosting decision tree

Data from many real-world applications can be high dimensional and features of such data are usually highly redundant. Identifying informative features has become an important step for data mining to not only circumvent the curse of dimensionality but to reduce the amount of data for processing. In this paper, we propose a novel feature selection method based on bee colony and gradient boosting decision tree aiming at addressing problems such as efficiency and informative quality of the selected features. Our method achieves global optimization of the inputs of the decision tree using the bee colony algorithm to identify the informative features. The method initializes the feature space spanned by the dataset. Less relevant features are suppressed according to the information they contribute to the decision making using an artificial bee colony algorithm. Experiments are conducted with two breast cancer datasets and six datasets from the public data repository. Experimental results demonstrate that the proposed method effectively reduces the dimensions of the dataset and achieves superior classification accuracy using the selected features.     

基于加权多随机决策树的入侵检测模型

传统的决策树分类方法(如ID3和C4.5)对于相对小的数据集是很有效的。但是,当这些算法用于入侵检测这样的非常大的数据时,其有效性就显得不足。采用了一种基于随机模型的决策树算法, 在保证分类准确率的基础上,减少了对系统资源的占用,并设计了基于此算法的分布式入侵检测模型。最后通过对比试验表明该模型在对计算机入侵数据的分类上有着出色的表现。     

基于分布式及协同式网络入侵检测技术综述

在当今信息化社会,网络入侵检测技术是信息安全保障领域的重点技术之一。随着大数据时代的到来,网络入侵检测技术正在向着多结构、多方法、多应用领域的方向发展。针对这个发展趋势,综述了网络入侵检测技术的最新研究情况,包括基本概念、系统模型、检测方法、应用领域等,其中重点分析了系统模型和检测算法的研究现状以及存在的问题,并提出发展趋势。同时,也介绍了大数据背景下网络入侵检测技术的新型应用领域。     

基于级联式Boosting方法的人脸检测

提出一种基于级联式Boosting方法的人脸检测算法。先用PCA方法对人脸图像进行特征参数的提取,在此基础上,利用算法中的每一个Boosting分类器学习的历史信息,基于线性回归特征消除（RFE）策略,消除AdaBoost中的冗余,据此判别一幅图像是否为人脸图像。在ORL人脸图像库的仿真实验结果显示,这种方法明显提高了检测性能,证明了该算法是有效的。