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.     

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。     

基于并行聚类算法的无监督异常检测研究

为满足高效聚类大规模数据集的要求,该文提出一种基于k均值算法的并行聚类算法,该并行算法能使聚类时间随节点主机数目的增多,呈近似线性递减。为了更好地平衡检测率与误报率,文章又提出了基于平方误差最小的重定位算法,相比于李娜等人提出的算法,该重定位算法使检测率提升了5%,误报率降低了1.1%。实验结果表明,该文算法不但能够提高聚类效率,而且能够更加有效地检测出已知和未知攻击。     

基于聚类的朴素贝叶斯分类无监督学习方法

为实现朴素贝叶斯分类模型的无监督学习,提出一种基于数据挖掘理论中聚类算法思想的学习方法。该方法首先定义不同类型单维状态分量的差异度量方法和混合型多维向量的联合差异度量方法,通过分析样本数据中向量之间的差异性进行聚类统计,得到研究对象的分类类别,然后对各单维状态分量分别聚类得到特征核值,进而确定不同类别各分量对应单维特征核值空间的概率隶属度。仿真实验结果表明,该方法能有效进行朴素贝叶斯分类学习。     

基于混合高斯模型的增量式聚类

为有效处理动态增长的数据集,获得增量数据的聚类结果,文中利用高斯混合模型模拟数据分布,将原有样本所属高斯成分的均值和先验概率视为这些样本的代表点信息,并将其后验概率松弛为0和1两种状态,在密度参数新的迭代公式的基础上,依据标准EM算法设计增量式EM算法,避免了在估计混合密度参数的过程中对原有样本后验概率的重复计算,从而...     

基于两步聚类算法的船舶交通事故分析

通过对近六年船舶交通事故进行统计分析,运用聚类算法进行数据挖掘,并基于两步聚类算法对数据进行聚类分析,发掘事故各变量间的相关性,并进一步提出事故防范对策以保障航行安全。     

基于模糊聚类视区划分的舰船目标识别

随着海洋经济的飞速发展,各种智能化的无人设备被用于海洋资源的开发,同时在军事领域,舰船之间的通信和识别技术也向智能化方向发展,在对舰船目标进行识别时,目前还主要依靠人工进行。因此,本文重点研究了模糊聚类算法在图像目标识别领域的应用,并针对舰船的特点,构建相似矩阵,对特定的舰船轮廓设定判断阈值。从样本数据的仿真实验结果看,本文提出的识别算法能够主动识别出舰船的轮廓特征,具有相当大的研究价值。     

基于蚁群聚类的路面识别分析方法

道路是城市的重要基础设施．路面状况的鉴定与评价直接关系到公路的养护决策,是一项至关重要的工作．本研究将蚁群聚类算法应用于路面识别领域,提出一种基于蚁群聚类优化的路面识别分析方法,将此方法运用于路面识别系统．该系统由数据采集、数据预处理和蚁群聚类优化3个模块组成,其中蚁群聚类主要提取了纵轴方向的3个特征属性,通过不断更新聚类中心产生的信息素矩阵,并通过分类器进行路面分类．实验结果表明：蚁群聚类优化具有全局收敛以及启发式学习等优点,运算效率高,路面识别准确率达到95.3％,验证了此方法的有效性．     

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.     

核的K-均值聚类水下目标识别

首先分析核的K-均值聚类算法的实现过程,然后针对算法中的关键性问题——选择核函数进行阐述,最后对拍摄到的球体、椭球体、三棱柱和四棱柱4类水下目标进行识别,在识别过程中分别进行了不同核函数和不同聚类算法的仿真。仿真结果表明,本文采用的核的K-均值聚类算法在水下目标识别的过程中识别率高、计算性能优越。     

变分法的参数约束估计法(英文)

The accuracy of parameter estimation is critical when digitally modeling a ship. A parameter estimation method with constraints was developed, based on the variational method. Performance functions and constraint equations in the variational method are constructed by analyzing input and output equations of the system. The problem of parameter estimation was transformed into a problem of least squares estimation. The parameter estimation equation was analyzed in order to get an optimized estimation of parameters based on the Lagrange multiplication operator. Simulation results showed that this method is better than the traditional least squares estimation, producing a higher precision when identifying parameters. It has very important practical value in areas of application such as system identification and parameter estimation.     

基于可变机器约束作业车间调度方法研究

机器固定约束作业车间规定加工某道工序的机器仅有一台,不符合车间实际生产情况.针对其局限性,考虑某工序有多台机器可供选择的可变机器约束,建立综合机器使用成本和延期惩罚费用两方面因素的单目标优化模型,提出改进反转变异法、双交叉以及指数衰减法的遗传退火算法,求解可变机器约束作业车间调度问题(variable machine constraints job-shop scheduling problems, VMCJSSP).仿真发现,与传统遗传算法相比,该算法使生产成本节约45%,最小加工等待时间缩短37%;最后,基于该算法对VMCJSSP、机器固定约束问题进行调度仿真.结果表明,相对于机器固定约束,该算法模拟的生产成本降低58%、最小加工等待时间缩短11%,具有求解大计算量车间调度问题的高效性.     

基于严格等式约束的推力分配算法研究

为提高动力定位系统的定位精度,本文提出了一种满足严格等式约束的改进遗传算法对推力分配进行优化.该方法通过分析目标函数中不同项之间的影响,确定了推力角的权值系数,并从二个方面对遗传算法进行改进,提高了优化速度及精度:一是继承上一时刻的精英个体来生成等距初始种群;二是结合自适应算法加强局部搜索能力.针对推进器之间的水动力干涉问题,基于推力损失模型对推进器进行分组,并通过错位安置以及采用在推力禁区内设置推力减额系数的方法来降低推力损失,最后利用改进的遗传算法对半潜式平台动力定位系统的推力分配进行了仿真模拟.仿真结果表明,提出的方法在满足等式严格约束的基础上,降低了推进器推力的水动力损失,进而提高了系统的定位精度以及运行的经济性.     

基于粒子群优化的聚类入侵检测算法

为了在入侵检测中有效地克服传统的K均值算法易陷入局部极小值的缺点,使算法具有较好的全局收敛性,将粒子群优化算法应用于入侵检测,给出了基于粒子群优化的K均值聚类算法．通过理论分析及实验,验证了基于粒子群优化K均值聚类算法的有效性．对KDD CUP99数据集仿真,实验结果表明,该算法在入侵检测中能获得理想的检测率和误检率．