基于KPCA和SVM的网络入侵检测研究

研究无线网络安全检测,针对入侵检测存在先验知识少的情况下推广能力差的问题,为了保证网络运行的安全性,提出了利用核主成分分析(KPCA)和支持向量机(SVM)相结合进行入侵检测的方法.首先用核主元分析对输入变量进行特征提取,消除变量之间的相关性,然后运用网格算法对核参数进行了寻优,通过交叉验证的方法对支持向量机进行参数选择,最后利用所建立好的模型进行预测.利用方法对KDD CUP99数据集进行仿真实验,与传统算法相比,方法对网络入侵检测有很高的识别率,为网络入侵检测提供了依据.     

基于核学习的入侵检测改进方法

针对入侵检测中部分攻击类型检测率低的问题,提出一种基于核学习的入侵检测改进方法。采用核主成分分析(KPCA)对入侵检测中的高维非线性结构数据集进行数据预处理,通过支持向量数据描述(SVDD)构造分类器,对预处理后的数据进行分类。实验结果表明,与已有方法相比,改进方法的检测精度较高、漏检率较低。     

基于LoRa指纹的室内定位算法

在基于LoRa的室内定位研究中,提出一种基于LoRa指纹和支持向量回归(SVR)的室内定位算法。针对传统基于无线信号RSSI指纹和SVR室内定位算法定位精度不高问题,从两个方面进行改进:在指纹特征方面,增加LoRa测距指纹,提高指纹稳定性;在指纹数据库建立和在线定位过程中,分别采用高斯滤波和中位数滤波来对指纹进行预处理,消除指纹的粗大误差。实验结果显示:1 m以内的定位误差的累积概率为78.5%,3 m以内的定位误差的累积概率为90%。增加LoRa测距指纹之后定位精度相比之前提高了40%;增加了高斯滤波与中位数滤波预处理后定位精度较传统的支持向量回归算法提高了38%。两个方面改进之后定位精度总体提高63%,证明了该算法的两个改进是有效的。     

基于PCA与ICA特征提取的入侵检测集成分类系统

入侵检测系统不仅要具备良好的入侵检测性能,同时对新的入侵行为要有良好的增量式学习能力.提出了一种入侵检测集成分类系统,将主成分分析(PCA)和独立成分分析(ICA)与增量式支持向量机分类算法相结合构造两个子分类器,采用集成技术对子分类器进行集成.系统利用支持向量集合对已有的入侵知识进行压缩表示,并采用遗传算法自适应地调整集成分类系统的权重.数值实验表明：集成分类系统通过自适应训练权重,综合了两种特征提取子分类器的优点,具有更好的综合性能.     

基于KPCA和SVM的网络入侵检测

入侵检测系统是网络安全的重要组成部分。目前的入侵检测算法存在着先验知识少的情况下推广能力差的问题。本文提出了利用核主成分分析（KPCA）和支持向量机（SVM）相结合进行入侵检测的方法。与传统算法相比,本文的方法对网络异常连接有更高的检测率和更强的泛化能力。文章最后在KDDCUP数据集上进行的实验,证明了本文方法的适用性和高效性。     

一种基于WiFi的室内重点区域监测方法

针对无设备的室内重点区域监测问题,本文提出一种Wi-KAM方法,通过获取室内人员的实时位置信息,判断重点区域内部的人员存在情况和区域边界的入侵情况.本方法使用高斯低通滤波算法和主成分分析(PCA)法对提取出的信道状态信息(CSI)进行预处理,并提取位置特征信息.结合最小二乘支持向量机(LSSVM),对样本集进行离线训练和在线分类,获取人员实时位置,实现对重点区域内部及周边人员位置情况的监测.实验表明,本方法可以更精确地进行重点区域内人员入侵检测和位置判别,并提高了室内人员定位的准确性.     

基于改进支持向量机的Wi-Fi室内定位算法

针对室内复杂环境下无线信号不稳定、传统支持向量机定位算法计算复杂度高等难题,为了提高室内的定位精度,提出一种改进支持向量机的Wi-Fi室内定位算法。采用核主成分分析对特征进行降维处理,提取有用信息、降低计算量,采用支持向量机构建定位特征与物理位置的非线性映射模型,并采用粒子群算法对模型参数进行优化,进行了仿真实验。结果表明,该算法提高了室内定位精度和效率。     

基于多指标融合的猪肉新鲜度智能检测方法

研究猪肉新鲜度检测优化问题,传统人工感官评定和化学方法测量均检测不准确,无法对猪肉新鲜度进行准确评价,检测误差大。为提高猪肉新鲜度检测准确率,将多种评价指标(特征)相融合,提出一种利用智能猪肉新鲜度检测方法。首先分别采用图像和气味采集装置收集各种评价参数值,然后采用主成分分析对评价指标进行融合,最后采用支持向量机建立猪肉新鲜度检测模型。仿真结果表明,相对于传统检测算法,智能检测算法提高了猪肉新鲜度检测准确率,实现了猪肉新鲜度智能检测。     

基于GA和组合核的SVM入侵检测算法

SVM有着很强的学习能力,已经成为入侵检测的重要算法之一。由于入侵检测原始数据量大,且具有高维性、冗余性等特点,导致传统SVM入侵检测算法计算量大、预测时间长。基于此,文中提出一种改进的SVM入侵检测算法( KP-CA-GA-LC-SVM)。文中利用核主成分分析法( KPCA)进行数据的特征提取,降低数据维数和计算量;使用两个核函数线性加权结合形成的组合核函数代替传统的单一核函数,并通过遗传算法( GA)进行SVM核参数及组合核权系数的寻优,来提高SVM性能。实验结果表明,文中算法有效地提高了入侵检测的检测精度。     

基于多维尺度分析的自适应室内群终端定位方法

室内定位是普适计算领域的热点研究问题。当前,室内定位方法主要分为基于信号传播模型的定位方法和基于无线信号指纹的定位方法。其中,基于指纹的方法由于不需要知道无线信号接入点(Access Point,AP)的位置而得到更加广泛的应用, 其需要通过离线阶段采集大量数据来构建丰富的指纹库,满足这一条件需要大量的人工标定工作。对此,文中提出了一种基于指纹空间关系的定位方法,相比于传统的指纹定位方法,该方法无需建立指纹库,只需要通过获取多终端的 Wi-Fi 信号强度,计算所有终端的不相似度并构建不相似矩阵;通过多维尺度分析(Multidimensional Scaling,MDS)算法,构建出所有终端的位置分布图,进而通过确定其中 3 个以上终端的位置来定位所有的终端。采用支持向量回归机(Support Vector Regression,SVR)计算任意终端间的距离,并将距离矩阵作为不相似矩阵。文中在商场场景下选择了约2500m²的区域进行实验,所提方法的平均定位误差约为7m。     

基于C-SVM和KPCA的垃圾邮件检测研究

现有的垃圾邮件检测算法存在小样本情况下泛化能力差的问题。提出了利用核主成分分析和支持向量机结合进行垃圾邮件检测的方法。与传统算法相比,该方法与邮件异构有很高的检测率、更强的泛化能力和更高的检测效率。实验证明了方法的实用性和高效性。     

一种新的基于KPCA和改进ε-SVM的入侵检测模型

提出一种新的结合核主成分分析（Kernel Principal Component Analysis,KPCA）和遗传算法（Genetic Algo-rithm,GA）的支持向量机（Support Vector Machine,SVM）入侵检测模型。在新模型中,使用多层SVM分类器来判断网络行为是否为攻击行为,KPCA用于对SVM的输入数据进行预处理,以降低特征向量的维数和缩短训练时间,使用改进的核函数N-RBF来消除属性间差异所导致的噪声,GA算法用来优化SVM三个参数的选择。仿真实验表明,与其他检测模型相比,该模型具有更高的预测精度、更快的收敛速率和更好的泛化性能。     

基于PCA的SVM网络入侵检测研究

文章针对传统入侵检测方法无法很好地对大样本数据降维、检测效率低、时间长、误报漏报率高等缺点,提出一种基于主成分分析(principal component analysis,PCA)的支持向量机(support vector machine,SVM)网络入侵检测方法(PCA—SVM)。该方法在对数据进行预处理之后,通过PCA对原始数据集的41个属性进行数据降维并消除冗余数据,找到具有最优分类效果的主成分属性集,然后再以此数据集训练支持向量机分类器,得到检测器。实验选择KDD99数据集在Matlab平台上对PCA-SVM算法进行仿真。相比于由传统41个属性训练得到的入侵检测器,文中方法大大缩短了检测时间,提高了检测效率,为网络入侵检测技术提供了一种新的可行方案。     

基于统计的人脸检测方法研究

基于统计理论的人脸检测是利用统计分析与机器学习的方法寻找出人脸样本与非脸样本各自的统计特征,再使用各自的特征构建分类器,使用分类器完成人脸检测。介绍了基于统计理论的人脸检测的主要方法,并对各种方法进行了比较。     

基于DE-YOLO的室内人员检测方法

目标检测的一个重要应用场景是对室内流动人员的检测与定位,为了降低模型的冗余度和提高检测的精确度,因此本文提出一种基于DE-YOLO的室内人员检测方法.通过使用K-means算法对数据集进行聚类,并设计出这种DE-YOLO深度卷积神经网络结构.通过DE-YOLO网络结构中的密集型连接,实现模型大小的压缩和特征信息的复用,最后对提取到的特征进行目标检测.在VOC2012数据集上进行实验表明,新改进的深度卷积网络应用性能有较大的提升.     

基于支持向量机的角点检测方法研究

支持向量机是一种基于VC维理论和结构风险最小化原则的统计学习方法,具有小样本学习、推广能力强、解为全局最优等优点.基于支持向量机的角点检测方法,不需要梯度信息,只需对角点样本进行学习,找出角点的特征信息,便可实现对角点的正确检测.通过恰当选取核函数、参数值以及训练样本集,实现了对摄像机标定模板角点的正确检测,并且对畸变角点和含噪声角点也有很好的检测效果.与传统方法相比,所提出的方法具有更强的角点检测能力.     

基于CSI与SVM回归的室内定位方法

为研究室内定位技术在复杂环境中的应用,以楼梯和实验室为实验场景,提出了一种基于信道状态信息(CSI)与SVM回归的室内定位方法.该方法通过基于密度的空间聚类方法(DBSCAN)去除信号噪声,并用主成分分析法(PCA)提取贡献最大的指纹特征,同时降低CSI指纹的维度.通过SVM回归建立CSI指纹与目标位置之间的非线性关系...     

基于聚类的LS-SVM的入侵检测方法研究

本文针对最小二乘法支持向量机在入侵检测中的训练效率低下的缺点,将聚类方法应用其中。该方法主要用来对数据集进行剪枝,有效地减少距离分类面较远的数据集合数量,而使用靠近聚类中心的数据集合作为有效的样本集合,减少样本的训练时间,提高训练效率。实验表明,使用聚类方法提高了最小二乘法支持向量机的训练效率,而且对入侵检测有很好的效果。     

基于PCA-WBayes的WiFi室内定位算法

针对朴素贝叶斯(Bayes)室内定位算法忽略各无线接入点(AP)信号间的相关性,最终导致定位精度损失这一不足,提出一种基于主成分分析结合加权Bayes(PCA-WBayes)的WiFi室内定位算法.在离线阶段采集参考点处来自各AP的WiFi信号强度,运用PCA进行去相关性、降维处理,提取主要数据特征,结合参考点位置坐标,构建位置指纹数据库;在线定位阶段,在位置指纹数据库中匹配待测点的信号特征,通过Bayes算法估算待测点位置,获取前w个后验概率最大的参考点坐标,按后验概率分配权重,以加权结果作为待测点位置.实验结果表明:相比K最近邻(KNN)、Bayes等常用WiFi室内定位算法,PCA-WBayes算法定位误差更小,将朴素Bayes室内定位算法的精度提升了15.44％.     

基于层次支持向量机的人脸检测

针对彩色图像人脸检测,提出了肤色模型和层次支持向量机相结合的人脸检测方法。检测时首先利用调节的肤色模型提取出人脸候选区域,然后对这些候选区域用线性支持向量机和主成分与非线性支持向量机相结合的层次支持向量机进行验证,获得真正的人脸区域。实验表明,该方法对图像偏色有一定的鲁棒性并可以用于灰度图像的人脸检测,而且检测正确率和速度比基于肤色和模板匹配的方法有了一定的改进。