基于时变贝叶斯网络的无人机态势评估模型

为解决无人机(UAV)在突发威胁下的环境感知问题,提出一个基于后验概率支持向量机(PPSVM)的时变贝叶斯网络(TVBN)态势评估模型,利用PPSVM完成突发威胁观测信息的分类处理,将分类信息的不确定度作为态势评估的证据,使用概率推理实现动态环境下的态势评估。以UAV规避空中突发威胁为仿真背景验证该模型的正确性,并表明其评估结果能真实地反映环境变化情况。     

宏观网络态势感知系统中的预测算法设计*

针对被动防御的问题,提出了一种基于支持向量回归算法的网络安全态势预测方法。在最近固定时间段的数据集数据进行归一化处理的基础上,构造样本数据并进行训练,确定预测模型的各项参数。实验证明该方法能有效地对网络未来的安全态势进行预测,结果优于其他算法,达到了实时在线条件下准确预测网络安全态势结果的目的。     

基于预测关系的贝叶斯网络学习算法

在介绍有代表性的贝叶斯网络结构学习算法基础上,给出了变量之间预测能力的概念及估计方法,并证明了预测能力就是预测正确率,在此基础上建立了基于变量之间预测关系的贝叶斯网络结构学习方法,并使用模拟数据进行了对比实验,实验结果显示该算法能够有效地进行贝叶斯网络结构学习。     

用于网络安全态势预测的粒子群与支持向量机算法研究

网络安全已经越来越受到人们的重视,网络安全态势预测作为一种阻隔网络安全威胁的新兴手段受到了学者的广泛关注。针对威胁网络安全的特异性因素,提出一种改进的网络安全态势预测技术。介绍网络安全态势感知预测相关的背景;针对网络安全态势预测过程中存在的时变性与非线性等特征,在分析了支持向量机与改进粒子群算法的基础上,给出一种改进的PSO-SVM算法。通过相关仿真实验说明该方法的可行性与实用性。实验表明,使用该预测方法处理先前收集到的网络安全数据,明显提高了网络态势的预测精度,实现了对网络安全威胁的有效防御。     

网络安全态势预测方法的应用研究

研究网络安全的预测问题,面对海量恶意攻击,信息要及时告警,进行安全管理。针对当前预测模型只能对过去和现在网络安全态势进行分析,不能对将来网络安全态势进行预测的缺陷,为了提高预测精度,提出了支持向量机的网络安全态势预测方法。支持向量机可以利用过去和当前的网络安全态势值,对将来网络安全状态进行预测,同时采用遗传算法对支持向量机参数优化,加快网络安全态势预测速度。通过仿真对预测方法性能进行检验,结果表明,预测方法能够准确反映网络安全的整体变化趋势,提高了网络安全态势的预测精度,相对于传统预测方法,更适用于现实的网络环境中。     

基于贝叶斯网络的态势估计方法

分析了态势估计的主要功能,提出态势估计系统以事件检测为核心和起点。分析了使用贝 叶斯网络进行态势估计知识表示问题,并对态势估计中的时空知识表示进行了探讨,提出了构建贝叶斯 网络进行态势估计的步骤,分析了态势估计系统事件的层次。给出一个具体的实例,演示了使用贝叶斯 网络进行态势估计的过程。     

一种实时网络安全态势预测方法

作为二十一世纪的新兴技术,计算机互联网技术的发展和应用不仅为促进世界经济、科技一体化提供了必要的技术支持,而且对于促进各国各个生产领域的全面发展也具有较大的积极作用。但但随着网络技术的应用愈加普及和广泛,网络安全也成为了当下困扰网络用户的首要问题。该文通过引入网络安全态势预测法,在对该方法的概念以及基本原理进行说明的基础上,对基于支持向量机算法的网络安全态势预测模型的建立方法展开了深入研究,以求为维护网络安全提供有价值的参考意见。     

基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测

针对空中交通系统运行周期性和时变性的特点,结合复杂网络理论和模糊最小二乘支持向量机（LSSVM）,提出一种基于最优样本集在线模糊最小二乘支持向量机（OTSOF-LSSVM）的飞行冲突网络态势预测方法。首先,基于三维的速度障碍法构建飞行冲突网络模型,并根据航空器的位置、航向和速度判断冲突;其次,分析飞行冲突网络拓扑指标的演化时间序列,得到与预测时刻在时间和距离上相关的样本组成最优样本集;最后,采用在线模糊LSSVM训练得到预测模型,并在模型更新过程中通过分块矩阵思想简化更新过程,提高算法效率。实验结果表明,所提方法能够快速、准确地预测空中态势,为管制员掌握空中交通的发展情况提供参考,并辅助进行冲突的预先调配。     

基于贝叶斯网络模型的高校贫困生预测实证分析

贝叶斯网络通过确定变量结点网络结构和参数学习来进行网络模型的概率推理,在样本数据不是过大的条件下能得到较精确的预测结果.从高校统一标准化的各数据平台中选取学生行为数据作为训练样本构建贝叶斯网络并进行参数学习得到推理模型,进而对高校学生的贫困程度进行预测,可以得出预测结果与实际样本对比没有显著差异,实现用数据分析精确判定高校学生的贫困程度水平.     

基于灰色理论的时间序列预测模型研究

为了提高对数据的预测效果,本文首先以灰色理论的数据处理为辅助处理,得出较好的机器学习数据内容,提出了支持向量机与灰色理论相结合的综合预测模型。并且在以灰色的数据序列为例的数据处理的基础上,重点与ε-支持向量回归机算法相结合,提出综合模型的结构,以及如何运用综合模型来进行预测,详细的介绍其实现过程。并以都江堰管理局提供的岷江来水量数据为例,将综合预测模型应用于来水量时间序列的预测,通过训练预测模型,得出较好效果的预测结果。     

基于BP神经网络的股市预测模型

介绍了神经网络的基本概念,建立BP神经网络模型,以某个股实际收盘价为原始数据样本,对网络进行训练后,对股票价格进行了短期预测,并计算出预测值和实际值的误差.通过实验发现该模型收敛速度快,预测精度高.     

基于能量分配的无线传感器网络能量空洞避免算法

无线传感器网络中,越靠近Sink 的节点将承担更多的数据转发,导致能量消耗较高而最先死亡,从而形成能量空洞使网络提前死亡。对传感器网络能量空洞进行研究,建立节点均匀分布的网络模型,提出一种分层的动态路由协议;通过分析网络动态路由获取各层网络节点能量负载情况,进而提出一种基于能量分配的传感器网络能量空洞避免算法EABEHA。仿真实验表明,该算法能够合理分配传感器网络的能量,和Flooding、LEACH等算法相比,EABEHA算法能够显著延长网络寿命。     

基于人工免疫的支持向量机模型选择算法

支持向量机中参数设置对训练支持向量机分类的精确度有不可忽视的影响。支持向量机参数的选取可看作参数的组合优化。免疫算法是一种有效的随机全局优化技术,它具有不易陷入局部最优解、解精度高、收敛速度快等优点。该文利用人工免疫算法进行支持向量机模型选择。该算法主要包括克隆选择、高频变异、受体编辑等操作。试验证明,该算法能够有效提高支持向量机分类的正确性。     

深度计算的同辈群体股市态势预测算法*

针对同辈群体的同辈群体算法(PG)的不足,提出深度计算的同辈群体生成算法.首先计算目标股票和候选股票之间的波段相似性,然后通过对亲密度、相关性和活跃度的深度计算,生成目标股票的同辈群体,并证明深度计算生成的同辈群体质量优于PG算法.针对PG算法不具有预测功能,通过结合自回归(AR)模型与同辈群体算法,提出基于同辈群体的自回归股价态势预测算法(DPG-AR).DPG-AR利用深度计算生成同辈群体,实现同辈群体权重的动态更新,并利用AR模型预测目标股票态势.上海证券综合指数及对应个股的对比实验证明DPG-AR的优越性.     

基于支持向量机的股市预测

针对股票市场高燥声、强非线性和不确定性等特点和以往传统神经网络预测方法存在的不足,提出了一种基于支持向量机的股市预测方法。该方法主要运用了支持向量机回归的方法结合滚动时间窗来学习建摸。首先通过把低维输入空间的输入向量映射到高维特征空间,将非线性问题转化为线性,然后在结构风险最小化原则下进行二次规划,并求得最优解,从而建立模型。从仿真实验中可以看到,该方法建立的模型较为准确地预测了600009、000815两只股票的日均价,表现出了较强的泛化能力。     

基于相邻边界模型的支持向量预选算法

根据支持向量的几何分布特性,提出相邻边界模型的概念以及一种支持向量预选算法。该算法通过预选出相互邻近的边界样本,避免大量样本参与二次规划问题的求解,为支持向量机提供高效的训练集。实验结果证明,采用该预选算法的LIBSVM可以较大地提高训练的时间效率和空间效率。     

基于图像颜色特征的隐写分析算法

提出基于图像颜色特征的隐写分析算法,该算法利用24位BMP图像的颜色特征,采用攻击的方法,根据原始图像和隐写图像在被攻击前后颜色数目和相近颜色对数目变化的不同,提取特征向量,利用支持向量机进行分类,取得了比较好的检测结果.     

Legender神经网络建模及股票预测

基于多项式逼近理论,将一组Legender正交多项式做为隐含层神经元的传递函数,再以其加权和函数做为神经网络输出,从而构成一种新型的三层多输入Legender神经网络模型;采用BP学习算法,通过对历史观测样本数据的训练,调整该神经网络的权值,建立非线性时间序列辨识模型,以此预测股票价格的变化.仿真实验表明,Legender神经网络具有优良的逼近任意非线性系统的特性,且学习收敛速度很快;深发展A股预测结果为：训练次数200,最大相对误差5.41%;深证成指预测结果为：训练次数120,最大相对误差4.17%.