基于决策树算法的移动终端数据安全检测技术研究

通过对决策树、k-Nearest Neighbor、贝叶斯三种不同数据挖掘算法的比较研究,基于可移动端数据的特点,建立了可移动端数据安全检测的模型框架,并通过实验对其加以验证。结果表明,决策树算法的检测分类结果最好,其查准率和查全率结果都很高;贝叶斯算法的检测分类结果性能稳定,但准确性不高,分类精度不理想,这是由该算法本身固有的特点决定的;k-Nearest Neighbor算法在开始时受到样本向量多少的影响,检测分类的效果不太稳定,分类效果在样本向量较少的情况下较差。通过对数据挖掘的可移动终端数据安全检测技术的研究,为今后数据安全检测技术的应用提供了一定的指导价值。     

光纤激光网络故障大数据自动分类方法

光纤激光网络通信受噪声影响，导分类效果较差，提出了光纤激光网络故障大数据自动分类方法。对数据进行噪处理，将源域中的样本和目标领域的样本配对处理，采用非线性变换提供故障特征，通过K-means算法和最近邻算法分析数据扰动性，将、征输入到机器学习分类器中分类处理，最终完成故障大数据自动分类处理。经测试证明，所提方法对于不同类型的故障大数据分类时间低于20 s,并且分类正确率、召回率以及F值高于80%、90%和95%,可以快速准确完成故障大数据自动分类处理。     

基于增量式决策树算法在入侵检测中的研究

为了更好地提高入侵检测的准确率,节省检测时间,文章提出了一种基于增量式的决策树检测算法。该方法采用了基于粒度决策熵和改进的主成分分析方法对数据集中的冗余以及不相关属性进行归类、降维。该方法将数据挖掘增量学习技术与决策树分类算法相结合,在属性降维后的决策树基础上,对于新的测试样本实例,引入扩展贝叶斯结点,比较贝叶斯分类方法与决策树分类方法的准确率,返回更新后的决策树。针对属性降维,主成分分析方法在约简属性的基础上,能够有攻击分类结果准确率高、耗时少的特点。将增量式决策树算法与贝叶斯算法、ID3算法进行对比,发现在检测精确率、检测效率的指标下,增量式决策树算法在一定程度上优于其他算法,并且误报率有效降低。     

决策树算法在模块故障预测中的应用

某型波束控制处理器是应用于某课题的一种故障率较高的控制电路板,其故障定位主要依靠专业人员的经验。针对该模块故障定位准确率不高的问题,提出一种基于ID3决策树算法的故障预测方法。通过对已有的故障定位记录进行梳理,建立特征工程、计算属性分类信息熵、递归建立决策树,得到故障预测的最优决策树模型。实验分析表明,基于ID3决策树的故障预测方法充分发挥了计算机的计算优势和机器学习算法的数据挖掘能力,对故障的分析定位预测准确率超过86.5%。     

ID3算法在成绩分析中的应用研究

利用决策树分类算法对课程信息、教师信息、成绩信息等教学信息库中的数据进行分析,从而生成决策树并从决策树中挖掘出影响成绩高低的主要因素以及各因素对成绩影响的强弱程度。将数据挖掘技术应用到数据的多维分析中,可以更好地为教学管理人员提供决策支持。     

基于混沌粒子群的决策树SVM的调制模式识别

针对通信调制识别常用的决策树识别节点过多和支持向量机识别处理多类繁杂的问题,将二者结合起来采用决策树SVM算法,另引入在函数优化、数据挖掘等方面具有突出优势的混沌粒子群算法来对决策树SVM中参数选择进行择优提取。并对2ASK,4ASK,2PSK,4PSK,2FSK,4FSK这些数字调制信号,在信噪比为5%,10%,15%的情况下,进行仿真测试,结果表明有良好的分类效果。     

基于贝叶斯分区数据挖掘的光纤网络异常分析算法

光纤网络通信中异常信息的快速、准确识别是保证通信稳定的关键,随着光纤网络通信数据的激增,也成为了近年来的一个研究热点。文中结合异常信息识别算法的精度与收敛速度之间的制约机理,提出了基于贝叶斯分区数据挖掘的异常信息识别算法。首先,采用贝叶斯定量完成数据样本的特征分类,通过极大化分析修正先验概率;然后,依据异常信息的不同类型设置挖掘特征参数及概率化系数;最后,依据贝叶斯分区分别对样本数据进行具有针对性的数据挖掘。实验以光纤局域网的通信状态数据为样本,将该算法与人工神经网络算法和遗传算法的识别结果进行对比,计算了三种算法的识别正确率、收敛速度以及算法稳定性。该算法的识别正确率均值为93.83%,在数据量增大时未发生明显的降低。收敛速度与遗传算法相近,均值为3.25 s。漏检率和误检率均值分别为0.10%和0.54%。结果表明:该算法识别正确率与收敛速度均得到了提高,稳定性好,并能够在漏检率与误检率之间通过参数控制进行微调,具有较好的应用价值。     

基于随机森林的机载设备异常振动故障检测方法

机载设备异常振动故障检测对于系统安全运行具有重要意义。为此,该研究基于随机森林算法设计了一种机载设备异常振动故障检测方法。安装振动信号收集装置,利用机载设备发射振动信号并传输至故障调节中心,通过匹配故障编码分类故障原因。利用随机森林算法,在决策树训练的过程中完成样本分类。模拟故障检测程序,加强内部数据运算管理性能,获取精准程度较高的检测数据,连接主系统与检测系统,减少数据检测所需时间。实验结果表明,该方法能够精准地确定故障样本,与传统检测方法相比,其准确率提高了20%以上,更适合应用到实际异常振动故障检测工作中。     

基于决策树分类算法的入侵检测研究简

针对目前的入侵检测系统（IDS）准确度不高、自适应性差、检测效率低等问题,本文基于决策树分类算法,设计了一个基于决策树的入侵检测系统模型。将决策树算法作为分类器应用于入侵检测的过程中,提高了入侵检测系统的性能。     

分类算法的分析与比较

在全面综述通用机器学习归纳分类算法的基础上,采用算法分类机制分析的方法,从预测精度、学习效率、健壮性等方面对决策树和规则归纳分类算法进行深入的分析和比较研究,为在不同的应用领域选择最优分类算法奠定了基础。由于RIPPER分类算法采用了重复增量裁减机制,所以在计算复杂性、分类精度、噪音数据适应性等方面都优于其它分类算法,更适用于入侵检测建模使用。     

基于决策树算法的信息系统数据挖掘研究

为了提高数据挖掘准确性和效率,文中提出了基于决策树算法的信息系统数据挖掘方法.以C4.5决策树算法计算属性的信息增益率和属性值的信息熵为基础,提出基于余弦相似度改进的C4.5决策树算法,若任意两个属性值的信息熵之差在阈值范围内,通过计算其余弦相似度合并在阈值范围内的属性值,并重新计算合并后属性的信息增益率,实现信息系统...     

Fault detection and diagnosis method for heterogeneous wireless network based on GAN

Aiming at the problem that in the process of network fault detection and diagnosis,how to train the precise fault diagnosis and detection model based on small data volume,a fault diagnosis and detection algorithm based on generative adversarial networks (GAN) for heterogeneous wireless networks was proposed.Firstly,the common network fault sources in heterogeneous wireless network environment was analyzed,and a large number of reliable data sets was obtained based on a small amount of network fault samples through GAN algorithm.Then,the extreme gradient boosting (XGBoost) algorithm was used to select the optimal feature combination of input parameters in the fault detection stage and completed fault diagnosis and detection based on these data.Simulation results show that the algorithm can achieve more accurate and efficient fault detection and diagnosis for heterogeneous wireless networks,with an accuracy of 98.18%.     

Fault diagnosis in wireless sensor network using clonal selection principle and probabilistic neural network approach

The fault diagnosis in wireless sensor networks is one of the most important topics in the recent years of research work. The problem of fault diagnosis in wireless sensor network can be resembled with artificial immune system in many different ways. In this paper, a detection algorithm has been proposed to identify faulty sensor nodes using clonal selection principle of artificial immune system, and then the faults are classified into permanent, intermittent, and transient fault using the probabilistic neural network approach. After the actual fault status is detected, the faulty nodes are isolated in the isolation phase. The performance metrics such as detection accuracy, false alarm rate, false‐positive rate, fault classification accuracy, false classification rate, diagnosis latency, and energy consumption are used to evaluate the performance of the proposed algorithm. The simulation results show that the proposed algorithm gives superior results as compared with existing algorithms in terms of the performance metrics. The fault classification performance is measured by fault classification accuracy and false classification rate. It has also seen that the proposed algorithm provides less diagnosis latency and consumes less energy than that of the existing algorithms proposed by Mohapatra et al, Panda et al, and Elhadef et al for wireless sensor network.     

数据挖掘技术在挖掘机故障诊断中的应用

针对工程机械的特点,提出了将数据挖掘技术应用于挖掘机故障诊断中,利用粗糙集具有较强的处理不确定和不完备信息的能力,对决策表的条件属性进行约简处理;再利用C4.5决策树算法的高效性对约简后的决策表进行诊断规则提取;将产生的规则运用于挖掘机故障诊断中以实现快速故障诊断。最后,以实例介绍了利用该模型进行故障诊断的完整过程,可以看出该方案提高了挖掘机故障诊断的效率。     

基于贝叶斯网络的雷达故障远程诊断系统研究

为了提高高密度航天发射任务条件下的雷达维修能力,缩短维修时间,研究了一种基于贝叶斯网络的雷达故障远程诊断系统。设计了该故障诊断系统的硬件总体结构和软件功能架构,介绍了雷达故障数据的采集和加密传输过程。利用贝叶斯网络建立雷达故障模型,并通过期望最大算法确定了故障模型的参数;采用联合树算法,实现故障定位推理。故障诊断实例表明:与传统的故障诊断方法相比,基于贝叶斯网络的故障诊断方法能够有效识别雷达的故障类型,具有故障定位准确、运行时间短等优点。     

嵌入式LVQ技术在通信电源故障诊断中的应用

为了能够快速诊断出通信电源故障产生的原因,文章把LVQ神经网络模型和分类诊断理论运用到了通信电源的故障诊断中。文中以多个故障模式为实例,通过运用Matlab仿真技术,验证了此方法的故障诊断的准确性,结果表明基于LVQ神经网络模型的故障分类诊断方法能够为通信电源维护人员和开发人员提供准确的信息,提高了电源系统的鲁棒性和稳定性。     

基于数据挖掘的电网故障关联性分析与研究

将数据挖掘技术中的关联规则应用到电网故障分析中,从故障数据中发现分类属性与决策属性间的频繁模式、相关性或因果关系,以便从宏观上把握电网故障元素间的关联特性.讨论了关联规则应用于电网故障分析的体系结构及实现的具体步骤,重点对电网故障关联性分析中的频繁项挖掘算法进行了研究,对传统的Apriori算法进行了改进,提出了一种高效的基于数组的类频繁项集挖掘算法.