基于主动学习的半监督聚类入侵检测算法

针对基于监督学习入侵检测算法中面临标记大量数据的问题,提出了一种基于主动学习的半监督聚类入侵检测算法.该算法利用少量的标记数据,生成用于初始化算法的种子聚类,然后辅助聚类过程,并根据网络数据的特点,将主动学习策略应用于半监督聚类过程中,可用于检测已知和未知网络攻击.主动学习策略查询网络中未标记数据与标记数据的约束关系,对标记数据可以快速获得k个不相交的非空近邻集,很大程度上改进了算法的性能.实验结果表明了算法的可行性及有效性.     

半监督聚类算法在舰载雷达信号中的应用

从数据挖掘角度阐述半监督近邻船舶聚类在舰载雷达信号处理中的应用,并给出算法实现过程。最后通过对7种信号的小波包能量熵特征统计来说明,本文所采用的半监督近邻传播聚类在聚类准确率和聚类数方面要优于AP聚类和半监督聚类。     

基于半监督模糊聚类的入侵检测技术

针对当前入侵检测技术检测率较低、误报率较高,特别是难以检测新型入侵的不足,通过研究基于机器学习的异常入侵检测系统,提出了一种基于半监督模糊聚类的异常入侵检测算法SFCA(Semi-supervised Fuzzy Clustering Algorithm).算法通过加入数据之间的相关信息,同时引入代价函数来平滑目标函数,降低其对孤立点数据的敏感程度.通过利用少量的标记样本,生成用于初始化算法的种子聚类,然后辅助聚类过程.实验表明,与FCM(Fuzzy C-means)聚类算法相比,SFCA算法具有较高的性能.     

一种基于遗传算法的模糊聚类算法及其与FCM算法的结合

在各种糊聚类算法中,模糊C-均值聚类算法FCM(Fuzzy C-Mean Clustering Algorithm)的应用最为广泛.但在实际的应用中,FCM算法却容易陷入局部最优解.因此,本文首先提出了一种基于遗传算法GA(Genetic Algorithm )的模糊聚类分析方法,它利用了遗传算法随机搜索的特点,可以避免陷入局部最优解.实验表明,将该遗传算法与FCM算法结合起来进行聚类分析,比单一使用遗传算法或单一使用FCM算法进行聚类分析的效果都要好.     

基于混合聚类算法的异常检测方法

模糊聚类算法是一种无监督的机器学习方法,能够有效地检测出网络入侵中未知的异常攻击行为,但模糊聚类算法实质上是一种迭代寻优方法,容易陷入局部最优解.因此结合遗传算法的全局搜索特性与禁忌算法的局部搜索特性,提出了一种基于遗传禁忌搜索的混合模糊聚类算法,实验表明该方法能有效避免局部最优解、得到正确的聚类结果,在KDDCUP99数据集上的实验结果表明该方法具有更高的检测率和较低的误检率.     

有标记的文本聚类方法研究

聚类分析是一种模式识别无监督的分类方法。对于根据类别先验知识已经分类的文本,提出一种有标记的文本聚类分类方法。这种方法是在模糊聚类算法基础上进行了改进,通过有标记的文本样本,利用模糊聚类算法提取分类规则,然后用模糊推理方法进行分类的一种算法。文中讨论了此算法的具体数学模型,给出了算法流程。并通过实验验证了这种聚类方法是一种有效的文本分类手段。     

多维缩放舰船运行数据聚类算法设计

传统的聚类化运算算法(基于K-Means算法),在大数据环境下运算力下降,数据聚类运算收敛不足。提出基于多维缩放的舰船运行数据聚类算法设计。利用基于多维缩放的KNTSCCA聚类算法,对舰船运行数据传统算法进行替换,通过对舰船数据的降维迭代计算,实现多维缩放聚类算法设计。通过仿真实验证明,提出的多维缩放的舰船运行数据聚类算法,能够解决现有基于K-Means算法收敛不足的问题,具有可行性。     

基于DBSCAN的港口泊位自动识别算法设计

为更好地监测船舶动态和船舶在港口的作业情况,通过对K-Means算法和DBSCAN(Density-Based Spa-tial Clustering of Applications with Noise)密度聚类算法进行对比,选择DBSCAN密度聚类算法对港口泊位进行聚类,对港口泊位的位置和大小进行识别.基于船舶自动...     

聚集式聚类分析方法及其应用

基于层次聚类算法,提出一种聚集式聚类模型及其算法,实现了分布式异构数据库的聚类分析.该方法使网络传输数据量显著减少,并大大提高聚类效率.     

一种新的聚类算法在数据挖掘中的应用

说明聚类算法在数据挖掘中的作用,并结合实际数据的特点,采用一种新的模糊聚类算法.该算法在事先不知聚类数的情况下,能够确定聚类数及中心点.同时,能够消除噪声对于数据的影响,适合较大规模的数据,方便进一步的数据挖掘.对实际通信信号的实验结果表明该方法是实效的.