支持向量机在多用户检测中的应用

基于支持向量机的非线性多用户检测器具有利用较少训练数据检测CDMA通信系统信号、性能稳定的优点。近几年来随着这种检测器应用研究的深入,人们又对其在运算复杂度和速度等方面进行了改进。现介绍支持向量机的基本原理和其在多用户检测中的应用,并简要介绍几种改进型的基于支持向量机多用户检测器。     

基于SMO算法的多用户检测技术

由于支持向量机的出色的学习性能，它已成为继神经网络之后新的研究热点，并在很多领域得到了成功的应用。本文提出了一种基于支持向量机多用户检测器，并采用顺序最小优化（SMO）算法构建了多用户检测器。计算机仿真的结果表明，该检测器的抗误码性能和抗远近效应性能都优于传统的多用户检测器。     

基于机器学习方法的入侵检测技术

随着信息技术的不断发展,人们生活发生了翻天覆地的变化,它给人们带来了很多便利,但与此同时,安全问题也日益突出。目前,传统的入侵检测系统已经不足以完成对越来越复杂的网络攻击的检测任务。入侵监测系统技术之中引入机器学习,可以有效地提高系统性能。文章主要介绍了几种机器学习方法在入侵检测中的应用。     

基于机器学习的网络入侵检测方法研究

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...     

基于机器学习的入侵检测系统探究

随着计算机以及网络信息技术应用的不断深入,网络入侵事件频发,入侵方式与手段的复杂化与多样化,使得传统防火墙、数字认证等安全防护技术已无法满足当前复杂的网络安全形势。因此,为有效提升网络的稳定性与安全性,入侵检测技术得到了快速发展,然而由于自身的局限性,致使入侵检测系统的误报率与漏报率较高。但随着机器学习在入侵检测领域应用的不断增多,促使这一现象得到明显改善。对此,文章首先阐述了入侵检测系统的类别,然后细致探讨了基于机器学习的入侵检测系统,希望能够为创建安全和谐的网络环境提供些许帮助。     

基于支持向量机的多分辨率信号逼近算法研究

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。     

Rayleigh信道下的支持向量机多用户检测方法

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。     

一种快速的在线SVM多用户检测算法

基于传统支持向量机的多用户检测算法运算量大、耗时久,无法满足实时性要求。该文提出了一种快速的在线支持向量机多用户检测算法。该算法利用KKT条件判别实时增加的训练序列并构造当前训练样本集,从而能够有效地减少训练样本大小,加快训练速度。仿真实验表明,该算法在不影响分类效果的情况下大大加快了训练速度,且用于分类的支持向量较少,同时性能与传统支持向量机算法相当且明显优于MMSE(RLS)多用户检测器。     

机器学习的光照不均图像边缘检测系统

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...     

基于机器学习的水质评价方法研究

随着社会工业化进程的加快,水污染问题日益突显,对水质做出科学的评价变得十分必要。提出一种将数字图像处理技术和机器学习相结合的方法,采用数字图像处理技术提取水样图像颜色矩特征,利用机器学习的支持向量机构建水质评价分类模型,并对SVM模型进行参数优化,实验证明该方法对水质评价的效果较好。     

基于多核支持向量机的火灾烟气检测算法研究

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。     

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

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。     

一种基于支持向量机的角点检测算法

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...     

新的基于机器学习的入侵检测方法

提出了一种基于机器学习的用户行为异常检测方法,主要用于UNIX平台上以shell命令为审计数据的入侵检测系统。该方法在LaneT等人提出的检测方法的基础上,改进了对用户行为模式和行为轮廓的表示方式,在检测中以行为模式所对应的命令序列为单位进行相似度赋值;在对相似度流进行平滑时,引入了“可变窗长度”的概念,并联合采用多个判决门限对被监测用户的行为进行判决。实验表明,该方法在检测准确度和实时性上均优于LaneT等人提出的方法。     

一种基于深度学习的图像裂缝分类方法

随着机器学习的兴起,基于深度学习的裂缝检测分类得到重视.本文设计了一种基于卷积神经网络结合支持向量机的图像裂缝分类算法,解决了现阶段存在的小样本学习能力不足、分类精度低等问题,实现了对桥梁裂缝图像的有效分类.     

基于主动学习的支持向量机算法

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。     

基于机器学习的光纤窃听检测方法

光纤窃听是信息安全的重大隐患之一,但其隐蔽性较高的特点导致筛查困难。针对通信网络中面临的光纤窃听问题,提出了基于机器学习的光纤窃听检测方法。首先基于窃听对传输物理层的影响,设计了 7 个维度的特征向量提取方法;其次通过实验,模拟窃听并收集特征向量,利用两种机器学习算法进行分类检测和模型优化。实验证明,神经网络分类算法的性能优于K近邻分类算法,其在10%分光窃听中可以实现98.1%的窃听识别率。     

基于机器学习的图像分割算法研究

图像分割是计算机视觉研究中重要的一部分,其主要目的是在图像中将兴趣域目标与背景分割,关系到后续的目标识别、图像理解等操作的准确性.经过几十年的发展,许多优秀的图像分割的方法被提出.机器学习是当今时代的研究热点,基于深度卷积神经网络等机器学习的图像分割研究进展迅速.总结介绍了应用于图像分割的几种典型机器学习方法,分析比较了相关的分割原理步骤、优缺点和发展现状.最后分析了基于机器学习的图像分割算法的发展方向.     

DDoS detection based on wavelet kernel support vector machine

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.