共查询到19条相似文献,搜索用时 78 毫秒
1.
2.
3.
4.
网络应用的出现和普及给人们的生活和工作带来了很大的便利,但网络安全问题也随之而来.网络入侵的频率越来越高,已严重危害了人们日常网络的使用安全.目前,许多基于支持向量机(Support Vector Machine,SVM)的入侵检测算法被广泛用于快速准确地识别入侵,但其性能在训练时间和分类精度方面表现不够优良.为了提高... 相似文献
5.
6.
鉴于多分辨率信号逼近算法(MSA算法)中尺度空间是再生核希尔伯特空间(RKHS)这一事实。借助于支持向量机(SVM)优秀的分类能力和泛化性能,提出了一种基于支持SVM的MSA算法。通过引入松弛变量后借助于拉格朗日乘子法来求的约束规划,最后获得逼近表达式和逼近系数。通过对比MSA算法,基于SVM的MSA算法不仅保留了MSA算法多分辨率逐级逼近的优点,而且具有更好的逼近准确度与平滑度。并通过实验验证了该算法的正确性和有效性。 相似文献
7.
Rayleigh信道下的支持向量机多用户检测方法 总被引:4,自引:1,他引:3
在BPSK调制的DS-CDMA中,基于支持向量机(Support Vector Machine,SVM)的多用户检测方法采用支持向量机的分类方法将接受向量分成+1和-1两类,达到检测的目的。与MMSE方法不同的是,支持向量机分类器的目的是找出一个能将训练向量中信号为+1和信号为-1的两类数据分离的最佳分离超平面。从数值仿真结果可以看出,在Rayleigh信道,这种支持向量机的多用户检测方法与MMSE多用户检测器相比,输出能达到较低的误码率。 相似文献
8.
9.
针对传统图像检测系统检测质量较低,容易出现图像边缘细节模糊的现象,提出基于机器学习的光照不均图像边缘检测系统.构建图像边缘检测系统总体框架,检测系统主要分成图像收集、低级处理、高级处理以及检测结果的后续处理四部分,以该系统框架为基础采用支持向量机模式将正常样本空间内不能被线性分类或者近似性分类的图像,通过非线性映射至高... 相似文献
10.
11.
火灾烟气中气体和烟雾浓度测量对火灾研究有着重要意义。文中提出一种利用多传感器技术同时在线测量各种有害气体浓度,然后将多个测量结果作为特征向量,利用上位机的模式识别算法进行判别的方案。上位机对多传感器同时探测到的数据进行智能化处理,可有效抑制线性方法的过拟合问题,提高数据泛化能力,减小预测结果对于噪声的敏感度,从而提高预测的效率和精度。基于不同气体的测量值的重要程度不同,文中提出了利用多核支持向量机对特征进行分类的设计实现方法。实验表明,文中提出的气体数据后处理方案可以有效地对火灾进行预警。 相似文献
12.
基于Vague-Sigmoid核函数的PSVM故障诊断算法研究 总被引:1,自引:0,他引:1
支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机(Proximal Support Vec-tor Machines,PSVM)算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。 相似文献
13.
支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测.首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本.构造支持向最机,最后利用... 相似文献
14.
15.
16.
针对支持向量机(svM)模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机(AL_SVM)方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。 相似文献
17.
18.
19.
To enhance the detection accuracy and deduce false positive rate of distributed denial of service (DDoS) attack detection, a new machine learning method was proposed. With the analysis of support vector machine (SVM) and the wavelet kernel function theory, an admissive support vector kernel, which is a wavelet kernel constructed in this article, implements the combination of the wavelet technique with SVM. Then, wavelet support vector machine (WSVM) is applied to DDoS attack detections and as a classifying means to test the validity of the wavelet kernel function. Simulation experiments show that under the same conditions, the predictive ability of WSVM is improved and the computation burden is alleviated. The detection accuracy of WSVM is higher than the traditional SVM by about 4%, while its false positive is lower than the traditional SVM. Thus, for DDoS detections, WSVM shows better detection performance and is more adaptive to the changing network environment. 相似文献