基于LSTM与随机森林混合构架的钓鱼网站识别研究

针对传统的钓鱼站点攻击检测模型时延高、效率低、特征提取复杂的问题,提出一种使用长短期记忆网络(long short term memory,LSTM)和随机森林的混合算法模型。该模型主要包括网址上下文特征提取和混合特征分类两部分。首先,根据循环神经网络特点建立128步长的深度网络结构。实验数据参考开源社区提供的钓鱼网站网址和正常网址情报。利用自然语言处理技术对网址数据进行编码得到具有局部特征的网址序列。通过构建的LSTM网络对网址序列进行字符上下文特征提取,结合传统检测方法中的非字符序列特征,共同构成实验特征集。随后,利用随机森林获取每一个特征的最佳分裂点,构建混合特征分类模型。该模型以网址数据为检测源,一方面降低了随机森林的字符序列特征维度,另一方面结合传统钓鱼网址检测中的非序列特征,弥补了LSTM算法检测特征单一的问题。为验证该模型的有效性,设计了本文模型与随机森林算法、LSTM算法的对比实验,并进一步对不同LSTM训练规模的时间成本进行分析。从实验中发现,基于LSTM与随机森林的混合模型大幅度提高了钓鱼网站的识别准确率,模型准确率达到98.52%,比相同训练规模的LSTM准确率高3%,比实验中的单一随机森林准确率高7%。同时,相比于LSTM算法同等幅度的准确率提升,该混合算法具有更小的时间代价。实验结果表明,作者提出的混合模型克服了传统识别模型在特征提取、识别效率上的问题,适合于海量钓鱼网站攻击的快速识别。     

改进型LSTM变形预测模型研究

针对传统预测模型处理复杂非线性变形数据能力不足的问题,应用一种深度学习模型——长短期记忆网络(Long Short-Term Memory,LSTM)进行变形预测分析.研究发现LSTM隐藏层受有限变形数据序列长度的影响较大,针对此类问题,文中在LSTM的基础上提出了一种改进模型.改进的模型将具有多个隐藏层的神经网络放在LSTM模型前,采用全连接层将两种网络连接起来,旨在提高预测精度.改进的LSTM模型主要对时间序列数据进行预测,以西南部矿业某矿区自动监测数据为例,将LSTM模型和改进后的LSTM模型进行了对比分析实验.为验证多变量输入是否会对预测精度造成影响,构建基于改进LSTM的多点预测模型,并与改进LSTM的单点预测对比.结果表明,LSTM可用于变形预测,且改进的LSTM模型很好地改善了LSTM存在的问题,预测精度相对更高,适用于多点预测,可批量处理变形数据.     

消费者购买行为随机模型新进展

详细阐述了近年来建立起来的一些扩展品牌选择模型和购买率模型,包括引入解释变量的负二项式模型和马尔可夫模型、引入差异寻求变量的马尔可夫模型、引入动态消费者偏好和产品属性的品牌选择模型、周期性品牌选择模型、家庭品牌选择模型、引入解释变量的购买率模型、引入消费者差异的购买率模型、品牌选择与购买率的综合模型等,分析了这些模型各自的特点和它们的共性,指出了消费者购买行为随机模型研究的新动向,提出了其中有待于进一步研究的课题.     

基于GWO-SVM与随机森林的组合光伏功率预测模型

光伏输出功率具有间接性和随机性,当大规模的光伏并网时,会对电网的稳定性造成破坏,影响供电的质量.为了降低对电网的危害,需要对光伏输出功率进行预测.针对单一的预测模型都有自身的局限性,提出了基于灰狼群算法(Grey Wolf Optimization,GWO)优化支持向量机(Support Vector Ma-chine,SVM)与随机森林(Random Forest,RF)的组合预测模型.通过分别建立GWO-SVM和RF两个单一的预测模型,利用随机森林的非线性映射能力,对权重系数进行调节,确定单一模型的权重,将GWO-SVM和RF两种模型组合起来进行预测,得到光伏功率预测值.实验结果表明,所提模型相对于单一的预测模型具有更好的预测效果.     

客户购买行为的双变量多层贝叶斯预测模型研究

现有客户购买行为预测模型无法兼顾购买行为随机性、异质性及变量相关性的特征.单变量多层贝叶斯统计模型虽然解决了随机性、异质性问题,然而仍然忽略客户购买间隔与购买金额之间的相关性.双变量多层贝叶斯模型假设客户购买间隔和金额服从联合对数正态分布,借助"正态-Wishart"共轭先验分布族对后验近似标准分布进行推导,利用马尔科夫链蒙特卡洛模拟方法中的吉布斯抽样和梅托普利斯海斯丁算法估计参数.模型不仅满足变量相关性特点,提高了客户购买行为预测的准确性,正态性假设还能对客户购买行为的波动性进行预测.对一高分子企业进行实证研究,并进一步针对模拟次数和统计变量数量进行参数优化,结果证明其适用性与准确性都优于传统预测方法.     

基于LSTM的智能家居机器学习系统预测模型研究

为了提高智能家居系统的智能化程度,提出了一种以基于LSTM改进的递归神经网络模型为核心的智能家居机器学习系统。该系统以家庭单位作为预测节点,以改进的LSTM网络作为基准预测模型;家庭节点的预测模型以基准预测模型为基础,利用新样本更新家庭预测模型,根据输入的环境数据调用预测模型预测出设备的状态。实验结果表明:该系统能够适应多个家庭节点以及新的家庭行为,基准预测模型与BP神经网络、一般递归神经网络以及标准的LSTM网络相比,其对设备状态的预测准确度高于其他三种模型。该系统方案既为每一个家庭节点建立一个预测模型,又可以根据用户在主动控制设备时生成的新样本数据更新预测模型,有助于匹配不同家庭用户的特点,实现对智能家居产品的智能化控制。     

基于随机森林的用电行为分析

长期以来窃电问题一直困扰着电力企业,它不仅损害了供电企业的合法权益,扰乱了正常的供用电秩序,而且给安全用电带来了威胁.通过机器学习算法,对电力用电数据进行分析处理,可以预测用户是否存在窃电行为.基于电力数据中用户用电量提取相关特征,结合随机森林算法,提出了一种预测用户是否具有窃电行为的方法.对比多组实验数据,调节特征数量以及算法参数,以提高预测准确率和预测速度.     

基于改进随机森林算法的电力系统短期负荷预测模型

为了提高电力系统短期负荷预测的准确性,本文提出了基于改进随机森林算法的电力系统短期负荷预测模型。改进随机森林算法是将随机森林算法中的决策树数量和分裂特征数等参数采用粒子群进行优化,通过比较每组参数对应的随机森林袋外数据误差,获取参数最优值,使随机森林算法的性能得到最优,并采用山东省某城市电网的历史负荷数据进行仿真分析。仿真结果表明,与基于传统随机森林算法的预测模型相比,本文所提出的预测模型的平均绝对误差降低0.81%,最大相对误差降低1.89%,说明本文所提出的基于改进随机森林算法的短期负荷预测模型具有更好的预测性能。该研究具有一定的工程实用性。     

基于随机森林算法的Android恶意行为识别与分类方法

针对当前Android恶意软件检测方法对检测出的恶意行为无法进行识别和分类的问题,提出基于随机森林（RF）算法的Android恶意行为的识别与分类方法. 该方法在对Android恶意软件的类型进行定义的基础上,利用融合多种触发机制的Android恶意行为诱导方法触发软件的潜在恶意行为;通过Hook关键系统函数对Android软件行为进行采集并生成行为日志,基于行为日志提取软件行为特征集;使用随机森林算法,对行为日志中的恶意行为进行识别与分类. 实验结果表明,该方法对Android恶意软件识别的准确率达到91.6%,对恶意行为分类的平均准确率达到96.8%.     

锦州市与辽阳市中年人购买服装行为研究

对锦州与辽阳两市中年人购买服装的价格与数量作多维频数分析，得出锦州与辽阳两市中年人在购买服装的档次上存在差异，而在购买服装数量上无显差异。     

锦州市与辽阳市中年人购买服装行为研究

对锦州与辽阳两市中年人购买服装的价格与数量作多维频数分析,得出锦州与辽阳两市中年人在购买服装的档次上存在差异,而在购买服装数量上无显著差异。     

考虑变量滞后性的LSTM大坝变形安全监控预测模型

为进一步提升大坝变形的预测精度,充分反映外部环境变量对大坝变形影响的滞后性,考虑影响大坝变形的变量时间滞后效应,利用长短期记忆(long short-term memory,LSTM)网络算法,提出一种考虑变量滞后性的改进LSTM的大坝变形预测模型。将输入数据分为通过LSTM存储块的延迟变量和不通过存储块的无延迟变量,使模型在物理解释上更合理;为提高预测模型的非线性表达能力,增加第二个隐藏层,使时间效应量等无延迟变量在最后一个时间步可直接使用,不需进行复杂的转换形成原始输入时所需的子序列;结合具体案例计算验证改进模型的可靠度和精度。结果表明：改进LSTM模型的平均绝对误差(MAE)、均方误差(MSE)较LSTM模型分别降低了11.94%,25.60%,具有更高的预测精度;改进模型的预测残差正负分布范围较LSTM模型小,预测值整体在实测值附近变化。改进LSTM模型的预测结果优于LSTM模型,能更合理地对大坝变形进行预测。     

消费者购买行为的广告导向性研究

论述了广告对消费者购买行为的影响及消费者购买行为对广告策略制定的导向作用，探讨了广告与消费者行为导向各个环节的关系，由此推论出只有符合消费者购买心理与行为的广告才能刺激并打动消费者，促进其购买。     

Levy-CPSO-GA算法在空调冷负荷预测模型LSTM中的应用

针对单一算法优化空调冷负荷模型参数存在的局限性及对预测精度的需求,本文提出了基于遗传算法(genetic algorithm, GA)进化、莱维飞行(Levy)及粒子群(particle swarm optimization, PSO)优化算法的协同并行混合算法Levy-CPSO-GA。将初始种群初始化为2个同规模种群,分别按照合作机制和竞争机制并行更新,种群1采用Levy飞行产生随机新巢方式自适应初始化PSO,同时引入迭代极值,记录粒子群的信息交换;种群2按照GA更新,种群间通过适应度交流,以最优适应度更新群体,将混合算法应用于优化长短期预测模型(long short-term memory, LSTM),并将结果与各预测算法进行比较。研究结果表明,优化后的预测模型,预测精度大幅提高,与ELM相比,RMSE降低了81.1%;与LSTM模型相比,误差显著降低,RMSE降低了26.4%,在第105个预测点处,该预测模型的绝对误差为-0.682 9,相比于ELM的绝对误差值-7.313 5,其精度提高了90.66%,预测性能优于其他算法。该研究对准确预测冷负荷具有重要意义。     

混凝土随机冻融损伤三维预测模型

为了有效评估混凝土在冻融循环作用下的损伤,在混凝土损伤力学理论的基础上,结合实验测试建立混凝土冻融损伤预测模型,开展了引气混凝土在冻融作用后抗拉强度测试试验研究。针对混凝土的耐久性失效实质是一个内部损伤演变的逐步劣化过程,对混凝土试块进行网格离散,应用概率方法分析混凝土冻融随机损伤的累积发展过程,建立混凝土损伤演化的三维多元Weibull分布模型,基于梯度法进行参数估计,采用实测数据进行模型验证,设计了相应算法,采用C＋＋语言编制程序进行计算,建立适用于冻融条件下的混凝土耐久性随机预测模型。数值和实测数据显示,随着冻融次数的增加,混凝土的损伤呈现非线性增长趋势。     

基于随机森林决策树质量管理方法研究

全面质量管理为企业实现科学、全面、高效的管理提供了理论依据.在分析产品生产过程中影响产品质量各方面因素的基础上,利用随机森林决策树算法对数据进行处理,挖掘内在的、本质的信息,能为企业的管理提供帮助.通过实测数据分析,结果显示基于随机森林决策树的方法有较好的性能,可以满足企业的实际应用要求,提高企业效率和产品合格率,降低企业成本.     

基于随机森林的集成电路适应性测试方法研究

在集成电路测试过程中,随着测试时间的延长,会导致测试成本偏高.针对这种情况,提出一种基于随机森林的适应性测试方法.对于训练模型的芯片,通过计算基尼指数得出芯片参数测试过程中每个测试组对模型分类的重要程度,按照特征重要性对测试组进行重要度排序,筛选出特征重要性最高的测试组,并统计每个测试组测出的缺陷芯片数.对测试集中部分...     

基于LMD与随机森林的滚动轴承故障诊断

提出了一种基于LMD和随机森林相结合的滚动轴承故障诊断方法,该方法融合了LMD和随机森林算法,利用LMD分解方法将滚动轴承振动信号分解成若干个PF分量,轴承发生不同故障时,不同PF分量内的统计特征和频带能量会发生变化,从不同的PF分量中计算出其对应的均值、标准差与信息熵等特征值,将这些特征值构造成特征向量,最后运用随机森林算法实现分类滚动轴承类型。结果表明,利用LMD和随机森林相结合算法具有较高的识别精度,可以有效识别滚动轴承的故障类型。     

基于随机森林的异常邮件检测方法研究与实现

目前现有技术在中文异常邮件过滤方面,存在误判、效率不高等缺陷。为了缓解此问题,结合随机森林算法的优点,采用了中文分词方法进行特征提取,并对词频进行权重计算,通过奇异值降解,更好地填充算法以完成对中文异常邮件的检测。多种算法的对比分析检测效果表明,提出的基于随机森林异常邮件检测器在精准度、召回率的性能均优于其他算法,而在时间效能上也处于较好水平。