支持向量机在入侵检测中的应用

随着计算机技术技术的发展,入侵检测系统问题更加突出和复杂,它是任何一个完整的网络安全系统中必不可缺的部分。目前现有商用的入侵检测系统所采用的检测方法大多是基于规则的,这样就造成了它们只能够对某一些特定的或己知的入侵行为取得比较好的结果.本文把模糊C均值聚类和支持向量机结合到一起,支持向量机是一种高效的模式识别方式,为了降低它的运算复杂性,用FCM把输入数据进行适当处理。提高了系统整体入侵检测的运算速度和精度。通过实验证明了该方法具有一定的优势。     

Mass detection algorithm based on support vector machine and relevance feedback

To improve the detection of mass with appearance that borders on the similarity between mass and density tissues in the breast, an support vector machine classifier based on typical features is designed to classify the region of interest (ROI). Furthermore, relevance feedback is introduced to improve the performance of support vector machines. A new mass detection scheme based on the support vector machine and the relevance feedback is proposed. Simulation experiments on mammograms illustrate that the novel support vector machine classifier based on typical features can improve the detection performance of the featureless classifier by 5%, while the introduction of relevance feedback can further improve the detection performance to about 90%. __________ Translated from Journal of Xidian University, 2007, 34(2): 239–245 [译自: 西安电子科技大学学报(自然科学版)]     

基于支持向量机的随钻测量

针对目前随钻测量的需要,提出了一种基于支持向量机预测的随钻测量方法.与传统随钻测量方法相比该方法能够预测提示井下钻头需要待钻进的地理方位位置,为司钻人员下一步的施工钻进提供方位信息.通过现场试验数据测试,结果表明,该方法能够预测提示井下定向钻进过程中的定向方位信息,大幅度节省钻进施工时间.     

基于最小二乘支持向量机控制器的研究

阐述了支持向量机与最小二乘支持向量机的特点,设计了基于最小二乘支持向量机的控制器,该控制器构成的系统学习与泛化能力强、抗干扰效果好,并利用垃圾焚烧炉的估计模型进行了仿真.仿真结果表明,该方法抗干扰效果好,适应性强.     

基于支持向量机的规则零件检测技术研究

基于机器视觉的零件检测系统由于具有非接触、实时性强、速度快等优点广泛应用于各种工业生产中,提出了一种基于边缘跟踪的零件缺陷边缘智能检测算法,很好的检测到了完整的缺陷边缘,为特征提取提供了高质量的缺陷边缘参数。采用基于支持向量机的分类识别算法,避免了神经网络算法中需要多样本和过度拟合的问题,通过对比分析选择合适于本系统的核函数,并运用基于交叉验证和网格搜索的参数选择方法找到核函数的最佳参数,采用一对一的投票策略进行分类训练和测试,最后对采集到的缺陷零件样本进行了分类测试实验,达到预定的较高的检测精度。     

一种基于支持向量机的矢量控制方法及应用

针对三角函数运算限制永磁同步电机矢量控制在微控制器中应用灵活性的问题,提出一种新的基于支持向量机的矢量控制方法.利用多项式核支持向量机离线训练三角函数,以训练得到的权向量和阈值进行三角函数的函数逼近,通过加法、减法和乘法实现矢量控制所需三角函数运算,解决微控制器不能直接进行三角函数计算的问题.将该方法应用于基于微控制器的永磁同步电机调速系统中,不同负载和不同转速的实验结果表明该方法具有较小的转速脉动.     

支持向量机在入侵检测系统中的应用

目前的入侵检测系统(IDS)存在着在先验知识较少的情况下推广能力差的问题。简述了IDS的基本原理,从本质上讲,入侵检测实际上是一个分类问题．就是通过检测把正常数据和异常数据分开。给出了入侵检测模型,论述了支持向量机(SVM)是在小样本学习的基础上发展起来的分类器设计方法．专门用于小样本数据．而且对数据维数不敏感．提出了基于SVM的通用入侵检测系统模型,它主要由审计数据预处理器、支持向量机分类器和决策系统3部分组成。说明了SVM系统模型的可行性、模型、工作过程、实现4方面的内容．     

基于模糊支持向量机方法的短期负荷预测

考虑气象因素对负荷的影响,提出了一种模糊支持向量机SVM(Support Vector Machine)的短期负荷预测方法。首先选取预测日前4星期中差异评价函数小于给定经验值的已知日作为相似日学习样本．然后利用隶属度函数对影响负荷特征因素向量的分量进行模糊处理,得到SVM的训练样本集．拟合负荷和影响因素之间的非线性关系。对24点每点建立一个SVM预测模型,采用改进的序列极小优化算法实现对SVM的快速训练。算例数据包括每天的气象数据和24点负荷数据．以最大相对误差和平均误差评价预测结果,表明所提方法简便快速且实用有效。     

参数优化的支持向量机机车车轮状态检测

针对车轮状态检测中存在的类间样本误分代价不等的问题,利用自适应变异粒子群算法对代价敏感支持向量机(CS-SVM)的参数进行优化。该方法从数据样本中提取不均衡数据创建训练样本,采用代价敏感的支持向量机建模。为了提高分类的精确度,选用径向基核函数优化模型结构。提出了自适应变异粒子群算法优化CS-SVM的两个不同惩罚参数和核函数,并用参数优化的代价敏感支持向量机实现重载机车车轮状态分类。最后,通过仿真验证,车轮状态检测的平均准确率可以达到95%,平均处理速度24 s,具有实时性和较强的鲁棒性,能够满足重载机车运行要求。     

基于支持向量回归机的谐波分析

传统谐波分析方法中,窄带滤波器选频法对元件参数十分敏感,受外界环境影响较大,且精度难以保证;快速傅里叶分解法会产生频谱泄漏误差,不同频率谐波之间也有干扰;神经网络分析方法检测精度高,但其基于大样本的学习方法,受样本及训练初始值影响较大,有时会导致训练不成功。为减小外界环境影响,提高检测精度和降低噪声影响,提出基于支持向量回归机的谐波分析方法,它是基于统计学习理论,以结构风险最小化为原则的机器学习,通过引入松弛变量和损失函数提高算法泛化能力和减小误差,该算法最终转化为标准二次规划问题,有全局最优解。通过算例分析,并与傅里叶检测方法相比较,可知该算法具有稳定性好、检测精度高、对噪声不敏感等优点。     

一种新的基于混合粒子的粒化支持向量机算法

粒计算是信息处理邻域中新的概念和计算方法,但是,传统粒子支持向量机算法存在着映射前后的数据分布不一致的问题,同时,由于使用粒子中心替代粒子从而导致精度下降。为此,提出基于映射后的混合粒子支持向量机算法,首先,利用mercer核函数将数据映射到高维空间,粒化计算后,找出含有更多分类信息的混合粒子,提取后作为输入集合对超平面进行训练,利用几何分析调整最优超平面,并采用基于QPSO算法对关键参数进行最优求解,从而提高算法的精度。实验表明该算法比传统粒子支持向量机算法正确率高10%,说明改进的粒化支持向量机算法提升效果明显。     

基于支持向量机的无线电干扰预测算法

针对给定海拔高度、温湿度、风速风向等环境因素下的特高压直流线路无线电干扰分布无法仿真计算的问题,采用灰色关联度模型提取给定环境参数相似的现场测试样本数据,利用遗传算法优化惩罚系数和支持向量的核宽度,提出了特高压直流无线电干扰预测的最小二乘支持向量机法(lest squares support vector machine,LSSVM)。通过分析迭代步数与训练误差证明了灰色关联度的遗传LSSVM方法计算效率和计算精确度优于LSSVM方法和遗传LSSVM方法。对比本文预测方法的计算结果与实际测量值、同类算法计算结果表明:低海拔时0.5 MHz无线电干扰水平负极全压下平均偏差为10.1%,正极半压负极全压下平均偏差为6.75%,双极全压下平均偏差为4.64%;海拔1 900 m时,双极全压下0.5 MHz和10MHz无线电干扰水平平均偏差分别为4.63%和3.5%。     

基于机器视觉的啤酒瓶口缺陷检测分类方法研究

针对目前国内玻璃空瓶机器视觉检测系统存在瓶口缺陷分类检测精度不高的问题,提出一种基于机器视觉的可靠的检测方法。首先选取封盖面缺口、外环口崩口、口缘毛刺、口面磨损、内环口崩口、封盖面破裂等6种常见缺陷类型作为分类目标,研究6种常见瓶口缺陷类型图像的表面特征,提出以灰度方差等6种瓶口的缺陷特征构成支持向量机(SVM)分类算法的输入向量,并择优选择径向基(RBF)函数作为SVM分类器的核函数,然后根据瓶口缺陷的分类性质选择多类分类方式中的一类对余类法(OVR)设计相应的SVM。最后,每种缺陷都选取80个样本对所设计SVM分类器进行训练学习与测试。测试结果表明:设计的SVM分类器能较精准地检测出6种常见的瓶口缺陷类型,识别率为91.6%,满足生产企业对机器视觉检测系统缺陷分类识别的要求。     

基于支持向量机的电晕放电模式识别方法

应用自回归（Autoregression,简称AR）模型提取电晕放电信号的AR模型参数作为信号特征量,利用支持向量机（Support Vector Machine,简称SVM）作为分类器对放电模型进行识别,重点分析了核函数和支持向量机参数对分类器的影响。结果表明,AR模型参数作为信号特征量,并与支持向量机结合对电晕放电信号进行识别是有效的。     

基于支持向量机的电力系统状态估计 多类型数据异常检测

为了解决异常数据严重影响电力系统状态估计性能的问题,提出了一种基于支持向量机(SVM) 的电力系统预测辅助 状态估计(FASE) 多类型数据异常检测方法。首先,针对传统 FASE 的预测准确率欠佳的问题,提出了基于极限学习机的 FASE 方法,并利用SVM 并基于预测数据、量测数据与估计值,实现了对坏数据、负荷突变和单相接地等多种类型的数据异常 检测。其次,针对惩罚因子和核函数参数会影响分类精度的问题,提出采用灰狼算法对 SVM 参数进行优化,在兼顾计算速度 的同时提高了数据异常检测的准确率。最后,在IEEE33 和丹麦DTU7K47 节点主动配电网系统上进行仿真测试,所提方法 在正常工况下提升26.08%与26.76%,计算速度提升46.05%,在数据异常情况下准确率综合提升32.04%与29.27%,结果 表明,所提方法具备较强的通用性与实时性,可以有效地检测电力系统中各种类型的数据异常,并提高状态估计的性能。     

一种基于支持向量机的三维物体识别方法

提出从三维物体的二维图像中提取仿射不变傅氏描述子、色彩矩及纹理特征,组成一个25维的特征向量,送入支持向量机训练并用于三维物体识别。算法利用了仿射不变傅氏描述子在物体发生仿射形变时具有不变性,利用色彩矩和纹理特征区分形状相似但有不同颜色及纹理的物体,并引入支持向量机作为分类器。基于三维物体图像数据库COIL-100测试了算法的识别性能。当每个物体训练样本图像数量为36个（视角间隔10°）时达到了100％的识别率,进一步减少训练视角数量也达到较满意的识别性能。     

有向无环图的多类支持向量机分类算法

为研究基于有向无环图的支持向量机分类算法以及在故障诊断问题中的应用,考虑到有向无环图的结构运算相当于一个表操作,且分类结果依赖于有向无环图中节点的排列顺序,提出一种分类算法,该算法引入基于类分布的类间分离性测度,估计各类训练数据间的分布性质,建立初始操作表单,将样本所有可能的类别按照一定顺序排列在表单中,从而重新组合有...     

基于支持向量机的电价组合预测模型

对传统的2个线性组合预测模型进行了分析,提出了一个新的线性组合预测模型,该模型不要求权系数和为1,而且权重也可以取负值。同时,为提高精度,提出了支持向量机非线性的组合预测模型,该模型实质上是一个非线性回归模型,利用结构风险最小化原则代替传统的经验风险最小化。该模型充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择径向基核函数的支持向量机进行组合预测。同时给出了解决此问题的基于Matlab的支持向量机工具箱的源程序。以美国加州电力日均价为例,与单一预测方法、线性组合预测进行对比,支持向量机非线性的组合预测方法预测比较精确。     

基于支持向量机的锅炉煤质预测模型

通过基于统计学习理论的支持向量机建模和机理性的分析及推导,给出了2种不同的电厂锅炉煤质预测模型,并结合现场试验数据,给出2种方法不同的预测结果及评价.验证了支持向量机建模对于火力发电厂煤质监测具有较高的应用价值.     

基于惩罚加权支持向量机回归的径流预测模型

径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。