排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
为解决WebShell样本在文本向量化处理中出现的“维度灾难”和检测效果差的问题,提出了基于近邻成分分析(Neighborhood Component Analysis,NCA)的WebShell特征处理算法。算法通过NCA自动化学习投影矩阵,在保留全局信息的同时完成高维特征空间的约减,为避免过于依赖总体训练样本,采用ReliefF特征选择方法从局部信息的角度进一步优化特征处理,提高WebShell模型检测性能。实验表明,基于近邻成分分析的WebShell特征处理方法能有效检测WebShell,并在准确率、召回率上优于大多数传统特征处理算法的WebShell检测模型。 相似文献
4.
基于灰色系统GM(1,1)模型的某高校专业录取分数线预测研究 总被引:1,自引:0,他引:1
考生高考填报志愿时可以根据高考成绩及志愿学校的投档线进行填报,但在进行专业选择时,往往只有历史录取数据作为参考,不能真实反映当年的实际情况。本文采用灰色预测系统GM(1,1)模型预测方法,结合某高校各专业历年录取分数情况,对各专业以后几年的录取分数情况进行预测实现。避免考生高分却因专业顺序填写不对,调剂到不理想的专业,对考生志愿填报有较大的实际指导意义。 相似文献
1