一种基于SVM和LVQ神经网络的入侵检测方法

入侵检测是网络安全研究中的一个热点研究领域,是一种相当实用的网络安全防御技术,将支持向量机较强推广能力与神经网络自动学习能力精巧地结合和利用起来。通过实例表明该方法具有检测正确率高,能解决小样本、非线性、高维数、不存在局部极小值等问题的特点,体现较强的实用性。     

基于交叉验证的矿岩爆破块度SVM模型优选研究

为克服传统预测模型凭个人经验随机选择核函数建立SVM的缺陷,基于交叉验证理论,将90个矿岩爆破样本随机切分成10个子集,每次保留其中一个子集作为测试集,迭代训练,通过支持向量机模型参数寻优,得到最优爆破块度预测模型。10次试验结果表明:基于径向基核函数的矿岩爆破块度SVM模型预测性能好,该模型的均方根误差、平均绝对误差的均值分别为0.101、0.0673。同时,基于R语言开发得到了矿岩爆破块度预测模型的程序代码,不仅可以保证预测模型与数据库样本的同步更新,而且为矿岩爆破块度预测模型的可持续性研究提供了技术支持。     

异常网络入侵检测技术

异常入侵检测技术能够有效的保护计算机系统和网络免遭恶意活动的破坏。异常检测技术能够检测到新的攻击行为,是入侵检测系统发展的热点。但这种技术方法目前还不是很完备.首先介绍入侵检测的功能、通用模型及分类。然后回顾常用的几种异常入侵检测技术。最后列举当前异常检测系统所要面临的挑战。     

改进型SVM多类分类算法在无线传感器网络中的应用

为了在有限算法复杂度的基础上提高无线传感器网络的攻击检测率,提出了一种改进的支持向量机多类分类算法.该算法综合了稀疏型随机编码和Hadamard编码的特点,以汉明距离为评判依据,对节点采集的流量数据进行分类.结果表明,与单独的一对一、一对多及Hadamard算法相比,此改进型分类算法在五种攻击的正确率检测方面有较明显的优势,运算时间上比Hadamard算法减少了22%.     

基于互信息特征选择和LSSVM的网络入侵检测系统

为提高网络入侵检测系统(IDS)的性能,提出一种基于互信息特征选择和LSSVM的入侵检测方案(BMIFSLSSVM)。将采集到的网络连接数据进行规范化处理,并提出一种权衡考虑特征相关性和冗余性的新型互信息特征选择(BMIFS)方法,以此从网络连接数据中选择出有效特征集。根据提取的训练样本特征集,利用最小二乘支持向量机(LSSVM)构建分类器和简化粒子群优化(SPSO)算法来优化LSSVM的核函数宽度系数和正则化参数,最后利用训练好的分类器进行入侵检测。仿真结果表明:提出的BMIFS能够选择出最优特征集,使BMIFS-LSSVM提高入侵检测准确率且降低误报率。     

基于GS-CV SVM的煤炭掺杂率软测量方法

针对传统煤炭掺杂率实验室分析法工序复杂、检测效率低的不足,提出将交流阻抗技术与软测量技术相结合的煤炭掺杂率软测量方法。以宁夏无烟煤为试样验证煤炭交流阻抗特性,提取试样交流阻抗测量值和水分含量为辅助变量,构建基于网格搜索和交叉验证支持向量机（GS-CV SVM）的煤炭掺杂率软测量模型,结合交叉验证和网格搜索两种策略优化模型参数。建立仿真实验平台以验证方法有效性,配制掺杂率0～45%的煤炭试样,测量其交流阻抗值和水分含量完成掺杂率识别实验。测试结果表明对于掺杂率在0～45%范围内的煤炭试样,该文方法的准确识别率为85%及以上。     

基于特征融合和交叉核SVM的快速行人检测方法

行人检测是目标识别领域的一大难点。现阶段用于行人检测的特征维数都比较高,为克服高维特征对实时性的影响,本文运用主元分析(PCA)对特征进行降维,加快检测速度。单一特征的信息有限,本文运用基于线性鉴别分析(LDA)的线性权重融合原则对一些底层特征(颜色、梯度、直方图)和多层次导向边缘能量特征进行特征融合使特征具有多源信息。且上述特征可采用积分图技术进行快速计算,所以行人检测系统的鲁棒性和实时性得到加强。在目标识别领域直方图交叉核支持向量机(HIKSVM)具有分类快,且准确率高的优点,采用其进行分类,系统实时性更进一步提升。实验表明本文方法检测速度和检测率优于经典的HOG+SVM算法。     

基于舍一交叉验证优化最小二乘支持向量机的故障诊断模型

提出一种基于舍一交叉验证优化最小二乘支持向量机(LS-SVM)的旋转机械故障诊断模型。首先将故障信号EMD分解为平稳IMF分量,再选择表征故障调制特征的IMF分量并构造瞬时幅值欧式范数作为故障特征矢量输入到舍一交叉验证(leave-one-outcross-validation, LOO-CV)优化线性核LS-SVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值欧式范数矢量的不同表征各类故障的差异;舍一交叉验证优化惩罚因子可以使线性核LS-SVM克服对故障类型与模式编号映射关系先验知识的依赖,提高LS-SVM的故障预测精度和自适应诊断能力。一个深沟球轴承故障诊断实例说明该模型的有效性。     

基于机器学习的入侵检测系统

入侵检测系统是保障网络信息安全的重要手段,针对现有的入侵检测技术存在的不足.提出了基于机器学习的入侵检测系统的实现方案.简要介绍几种适合用于入侵检测系统中的机器学习算法,重点阐述基于神经网络、数据挖掘和人工免疫技术的入侵检测系统的性能特点.     

基于SVM的捆装圆棒材计数方法

目的研究利用相机拍摄的捆装棒材端面图像进行棒材的自动计数方法。方法利用Hough变换提取端面圆的半径对图像尺寸进行规格化处理,使每个圆形端面具有近似统一的尺寸;利用滑动窗口的方法对检测窗口的中心点是否为圆棒材的中心进行判别,并标记判别结果;判别过程采用了一种SVM分类器的方法;通过在标记图上进行连通区搜索,统计棒材中心点区域的个数实现棒材计数;在测试图像库上对方法的有效性进行了测试实验。结果实验结果显示,文中方法在测试库上的正确率达到94%,其性能较模板匹配方法有显著优势。结论该方法的正确率较常规方法有很大提升,并且具有较好的鲁棒性,可应用于捆装圆棒材的自动计数问题。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状...     

基于SVM的船舶上层建筑舱室噪声预报方法

摘 要：为对舰船舱室噪声进行精确预测,提出了基于SVM（支持向量机）的舱室噪声预测方法。采用RBF核函数和ERBF核函数,以某集装箱船上层建筑舱室噪声为训练样本,建立了两种集装箱船上层建筑舱室噪声的非线性回归模型;并应用两种模型对母型船及另一艘集装箱船上层建筑舱室噪声进行预测,并将预测结果进行了比较分析;在此基础上,应用效果较好的模型对一艘散装货船上层建筑舱室噪声进行预测。预测结果表明：应用SVM非线性回归模型对船舶上层建筑舱室噪声的预测是可行的,预测效果较为理想。     

基于双隶属模糊支持向量机的中小企业信用评价

构建了中小企业信用评价的双隶属模糊支持向量机模型(DFSVM),使每个训练样本依双隶属度同时隶属于两个信用类别,并通过粗糙集的属性约简方法确定支持向量机的最优输入指标组合。考虑到银行对于信用风险的厌恶,在模型的训练阶段对样本进行了"非对称"处理。实证结果表明,与传统的判别分析方法相比,建立的企业信用判别模型精度更高,调整后的模型可以进一步降低银行的信用风险。     

A Fused Machine Learning Approach for Intrusion Detection System

The rapid growth in data generation and increased use of computer network devices has amplified the infrastructures of internet. The interconnectivity of networks has brought various complexities in maintaining network availability, consistency, and discretion. Machine learning based intrusion detection systems have become essential to monitor network traffic for malicious and illicit activities. An intrusion detection system controls the flow of network traffic with the help of computer systems. Various deep learning algorithms in intrusion detection systems have played a prominent role in identifying and analyzing intrusions in network traffic. For this purpose, when the network traffic encounters known or unknown intrusions in the network, a machine-learning framework is needed to identify and/or verify network intrusion. The Intrusion detection scheme empowered with a fused machine learning technique (IDS-FMLT) is proposed to detect intrusion in a heterogeneous network that consists of different source networks and to protect the network from malicious attacks. The proposed IDS-FMLT system model obtained 95.18% validation accuracy and a 4.82% miss rate in intrusion detection.     

Fire Detection Method Based on Improved Fruit Fly Optimization-Based SVM

Aiming at the defects of the traditional fire detection methods, which are caused by false positives and false negatives in large space buildings, a fire identification detection method based on video images is proposed. The algorithm first uses the hybrid Gaussian background modeling method and the RGB color model to perform fire prejudgment on the video image, which can eliminate most non-fire interferences. Secondly, the traditional regional growth algorithm is improved and the fire image segmentation effect is effectively improved. Then, based on the segmented image, the dynamic and static features of the fire flame are further analyzed and extracted in the area of the suspected fire flame. Finally, the dynamic features of the extracted fire flame images were fused and classified by improved fruit fly optimization support vector machine, and the recognition results were obtained. The video-based fire detection method proposed in this paper greatly improves the accuracy of fire detection and is suitable for fire detection and identification in large space scenarios.     

基于支持向量机的地震预警震级快速估算研究

以更准确的估算地震预警(earthquake early warning,EEW)震级为目标,利用P波触发后3 s内的日本K-net强震数据,选取幅值参数、周期参数、能量参数、衍生参数这4大类共12个P波特征参数作为输入,构建基于支持向量机震级预测模型(support vector machine for earthquake magnitude estimation,SVM-M)。结果表明,比较传统的震级估算“τc方法”与“P d方法”,建立的SVM-M模型震级预测误差明显减小且不受震中距变化的影响,小震高估问题得到明显改善。2016年日本熊本地震主震(M j7.3)与2008年中国汶川地震主震(M s8.0)的震例分析结果表明,3 s时间窗不能匹配震源破裂全过程而出现了一定程度的震级低估,但仍可在P波触发后短时间窗内明确是大地震事件。建立的SVM-M模型可应用于地震预警震级快速估算。     

A Real-Time Sequential Deep Extreme Learning Machine Cybersecurity Intrusion Detection System

In recent years, cybersecurity has attracted significant interest due to the rapid growth of the Internet of Things (IoT) and the widespread development of computer infrastructure and systems. It is thus becoming particularly necessary to identify cyber-attacks or irregularities in the system and develop an efficient intrusion detection framework that is integral to security. Researchers have worked on developing intrusion detection models that depend on machine learning (ML) methods to address these security problems. An intelligent intrusion detection device powered by data can exploit artificial intelligence (AI), and especially ML, techniques. Accordingly, we propose in this article an intrusion detection model based on a Real-Time Sequential Deep Extreme Learning Machine Cybersecurity Intrusion Detection System (RTS-DELM-CSIDS) security model. The proposed model initially determines the rating of security aspects contributing to their significance and then develops a comprehensive intrusion detection framework focused on the essential characteristics. Furthermore, we investigated the feasibility of our proposed RTS-DELM-CSIDS framework by performing dataset evaluations and calculating accuracy parameters to validate. The experimental findings demonstrate that the RTS-DELM-CSIDS framework outperforms conventional algorithms. Furthermore, the proposed approach has not only research significance but also practical significance.     

基于EMD-SVD模型和SVM滚动轴承故障模式识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、奇异值分解、Renyi熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再对所选分量重构相空间得到吸引子轨道矩阵;对矩阵进行奇异值分解求取奇异值,再计算这些奇异值的Renyi熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障类型。最后,利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

一种新型回归支持向量机的学习算法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种具有很好泛化性能的回归方法,本文对标准支持向量机稍作改动,提出了一种新型回归支持向量机,并推导出它的对偶表达方式,随后利用一个优化定理设计了一个多变量更新学习算法,该算法能单调收敛于极值点,并具有简单的迭代方式,仿真实例说明所提出的回归支持向量机及其训练算法具有较好的学习性能.