排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
对网络流量数据进行分类时,由于网络流量具有多个类别,并且各类样本数量不均衡,故在利用机器学习进行分类时,会导致分类的模型的性能降低,致使样本被误分为样本数量多的类别,进而致使样本数量较少的类别(小类别)的召回率过低。针对该问题,提出一种基于卡方方法及对称不确定性网络流量特征选择方法。该方法首先计算特征与类之间的加权卡方值,选择卡方值较大的特征组成候选特征子集,然后根据特征与所有类之间的对称不确定性进一步筛选特征集。在Moore网络流量数据集上进行实验,得到的实验结果证明,通过该方法选择的特征对网络流量数据进行分类,在保证准确率高的前提下也得到了较高的小类召回率,减轻了数据不均衡问题带来的不良影响。 相似文献
2.
3.
对适用于制作热冲压模具的SDCM钢进行离子渗氮,检测了渗氮层的表面硬度、硬度梯度、显微组织、厚度;研究了离子渗氮的SDCM钢的高温摩擦磨损行为和磨损机制,并建立了Archard磨损模型;采用有限元方法研究了530℃×8 h离子渗氮的SDCM钢热冲压模具的磨损行为。结果表明:与未渗氮的SDCM钢热冲压模具相比,在200~300℃温度下,经离子渗氮的SDCM钢热冲压模具具有较小的摩擦因数和磨损率,即更佳的耐磨性,模具的最大磨损深度为3.2×10-5 mm,而不是5.9×10-5 mm,即模具的使用寿命可提高约2倍。 相似文献
1