互联网用户异常行为检测

针对传统的入侵检测系统没有全面地对行为进行度量以及监测实时性不高,并且存在较高的误判率,缺乏动态适应性等问题,提出对互联网用户的网络行为进行异常分析,针对不同的应用场景采用基于向量空间和语义的行为异常检测的算法.方案充分考虑到不同网络环境的特点,可以根据不同环境制定可信度量策略.仿真实验表明,与传统的入侵检测方法相比,有较好的环境适应性和较低的误判率.     

基于SOFM神经网络的蛋白质结构类预测

蛋白质结构类预测是蛋白质空间结构和功能预测的基础。本文首先将氨基酸对相互作用形成的序列经过数字信号处理后得到能量谱密度的20个低频部分和6种疏水模式在序列中出现的频率整合,构成26维分类特征,然后采用自组织特征映射神经网络对蛋白质结构类进行预测。实验结果表明,与Component Coupled算法、ANN算法、粗集方法相比较,本文算法具有较高的预测精度。     

基于改进HOG特征值的车标检测与识别方法

车标自动识别是智能交通系统中机动车辆信息采集的关键内容。根据车标具有丰富边缘信息的特征,文章应用HOG(梯度方向直方图)的特征值,采用SVM(支持向量机)的分类工具实现了车标的快速检测与识别。并提出一种改进的HOG特征值,在车标检测识别准确率上取得了显著的效果。大量实验数据以及在智能交通系统中的应用表明,该方法具有较强的鲁棒性和实用价值。     

基于支持向量机的五轴数控机床加工精度预测方法

为了有效减小五轴数控机床加工精度测量误差值,提高预测精度,提出基于支持向量机的五轴数控机床加工精度预测方法。通过提取五轴数控机床特征,掌握每个部件的特性,基于支持向量机构建加工精度预测模型,采用粒子群优化算法计算五轴数控机床的几何误差,获取最优的粒子速度,实现五轴数控机床加工精度预测。实验结果表明,该方法预测效果较好,测量的误差值与实际误差值仅相差了0.02δ/μm,能够有效减小五轴数控机床加工精度测量误差值,提高预测精度。     

基于改进EMD的煤矿用履带式水仓清理机机械故障诊断研究

履带式水仓清理机发生故障时的振动信号传输频率受履带式结构影响,导致故障诊断耗时较长。为了保证水仓清理机机械的稳定运行,提出基于改进经验模态分解(EMD)的煤矿用履带式水仓清理机机械故障诊断方法。利用基于余弦窗函数与波形特征匹配延拓改进EMD算法,分解履带式水仓清理机振动信号;通过小波能量提取振动信号的能量特征;将提取到的能量特征输入支持向量机(SVM)故障诊断模型中,完成水仓清理机故障的诊断。实验结果表明,所提方法的机械故障诊断效果好,准确率高达到0.995,收敛度值达到0.2,诊断效率高。     

基于改进萤火虫算法优化SVM的滚动轴承故障诊断

针对萤火虫算法优化支持向量机时,收敛速度较慢、易陷入局部最小值等问题,将萤火虫算法进行改进来优化支持向量机,用此方法来对轴承故障进行诊断.经过对比实验,发现该方法分类效果和识别准确率均有一定的提高.     

基于SVM的别名解析方法

随着互联网的发展,对网络拓扑结构的完善可以加强互联网的使用和管控。目前人们在IP级网络拓扑结构测绘技术上日趋成熟,但缺少一种高准确率的路由器级的网络拓扑结构测绘技术,原因在于路由器上的诸多端口之间存在别名IP,对路由器级网络拓扑结构绘制带来了很大的困扰。本文提出了一种基于SVM别名解析的方法,利用时延、Whois信息、探测路径三个特征对待判定的网络结构进行解析,将别名IP节点融合在一起,以此来提高路由器级网络拓扑结构的准确性。经过在SLG、LENCR、PoPG三个IP定位算法的测试后,IP定位准确率与几种常见方法如RadarGun、MIDAR、TreeNET比较来看均有提高。     

轻度抑郁症脑电特征分析与机器识别研究

轻度抑郁症的快速筛查和识别具有重要现实意义.采用静息态脑电信号探索了轻度抑郁症机器识别的有效方法,旨在找出与抑郁关系密切的脑电特性以及分类算法.首先,对各个导联的原始脑电数据加时间窗分段,计算抑郁症患者和正常人的脑电活动性、移动性、复杂度;然后,采用Burg算法和小波变换,分别提取每段脑电信号的频域特征和时频非线性特征;最后,利用支持向量机算法进行抑郁脑电分类,分析不同时间窗口、导联组合、特征组合、节律组合以及机器学习算法对识别结果的影响.实验结果表明：使用支持向量机分类器,选用20 s时间窗口,在O2、 T5导联组合,以及活跃度、移动性、小波能量熵、小波奇异熵特征组合和脑电alpha、 beta、 gamma节律组合下,得到抑郁识别准确率94.24%、召回率92.35%、精确度96.23%的最佳分类结果.     

基于不同算法的乳化沥青冷再生材料养生性能预测

为了揭示乳化沥青冷再生混合料养生条件与养生性能之间的内在联系,利用不同算法对室内成型的乳化沥青冷再生试件的养生性能建立预测模型.以养生条件作为模型输入参数,构建支持向量机和神经网络模型对混合料养生性能进行预测,对两个模型的预测精度进行对比分析.结果表明:支持向量机模型预测误差率集中在2％以内,最大误差率为5.6％;神经...     

青藏高原湖泊智能提取系统

青藏高原分布着全球海拔高、数量多、面积大的高原湖泊群,这些湖泊的变化能够真实地反映出区域的气候与环境状况。科学地分析湖泊演变规律将为区域环境与气候的研究提供关键的数据支撑。在以往的相关研究中,基于湖泊水域面积的分析方法大多利用ENVI等相关软件进行处理,处理过程较繁琐,需要耗费大量的时间。文中基于以上问题,设计与实现了青藏高原的湖泊水域面积提取系统,该系统充分利用地理信息及遥感技术,结合经典机器学习算法支持向量机（SVM）、决策树对湖泊水域进行智能提取,实现对青藏高原湖泊群水域面积的统计,揭示出其演变规律。通过实验分析得出,在2016年到2020年,青藏高原湖泊的面积呈增长趋势,与前人的研究保持一致,为湖泊水域面积的提取提供了技术参考和实现方法。