基于决策SVM的入侵检测技术研究

在网络入侵检测中,数据类别不均衡训练集的使用将产生分类偏差,支持向量机是一种新型的统计学习模型,在处理小样本和学习机的推广能力上有很大的优势．针对支持向量机解决k个多类分类问题存在训练样本数据大、训练困难的问题,提出基于支持向量机的决策树训练算法,构建了基于支持向量机决策树的入侵检测系统模型．利用KDDCup99数据集,将本文提出的算法与Lee-Carter方法和1-v-R方法进行了对比实验．通过实验和比较表明,该方法的训练效率大大提高,并且具有较高的检测率．     

基于大数据的船舶交通客流特征组合预测模型分析

为了提高船舶交通客流特征预测的时效性,设计基于大数据相关技术信息,提出将粗糙集和支持向量机预测机制结合的预测分析模型。首先运用粗糙集属性,对大数据下的船舶交通客流信息,进行数据出行约简,删除数据中冗余属性,继而建立支持向量机回归预测机制,将约简后的船舶交通数据样本,作为数据预处理器,通过对条件值进行筛选,并量化为一张二维表格,作为决策表,重新组合成为训练数据样本,输入SVM中,进行学习训练,实现交通客流特征的组合预测。仿真实验表明,该模型预测结果特征比真实性提高29%,有效时序性提高35%,可以证明该预测模型的预测结果时效性更强。     

混沌理论的舰船事故预测

舰船事故的预测具有十分重要的价值,针对舰船事故变化的混沌性,为了解决当前舰船事故预测模型存在的局限性,提出了基于混沌理论的舰船事故预测模型,首先对当前舰船事故预测的研究现状进行分析,指出引起舰船事故预测精度低的原因,然后引入混沌理论建立舰船事故预测的学习样本,并采用最小二乘支持向量机建立舰船事故预测模型,最后通过采用舰船事故预测数据对模型性能进行分析,本文模型的舰船事故预测精度超过95%,而且舰船事故预测误差很低。     

基于GA-SVM模型的水上事故严重程度分类

为降低水上交通事故发生概率,从人、船、环境及事故属性的角度分析不同因素对事故严重程度的影响,提出基于支持向量机的水上事故严重程度分类模型,利用粗糙集理论对水上事故数据进行约简预处理,最后利用样本数据对基于支持向量机的分类模型进行训练和测试。结果表明,该模型的测试精度达到85%,能较好地识别海事事故严重程度。     

基于支持向量机的集装箱船航次配箱量的预测方法

集装箱船航次配箱量预测对集装箱码头管理和集装箱船配载具有重要意义。首先利用支持向量机(SVM)理论建立非线性回归模型,然后分析影响航次配箱量的因素,利用历史数据作为学习预测的样本,用训练好的回归模型对新的数据进行预测。实际计算结果表明:同BP神经网络预测模型相比,该预测模型具有良好的泛化能力及准确的预测结果。     

基于遗传算法优化最小二乘法支持向量机的海上运输事故预测模型设计

随着我国经济和贸易的发展,海上航运的需求越来越高,针对海上运输的航运安全性问题引起了社会各界的广泛关注。海上运输事故的预测模型是指基于一定的数据基础,结合智能算法和数据分析技术,对一段时间内的船舶运输事故进行预测,并指导海上交通管理。本文结合遗传算法和最小二乘法,同时利用支持向量机的数据分类技术,建立海上运输的事故预测模型,并详细介绍该预测模型的事故预测步骤。     

基于支持向量机模型的船舶油污损失估算

将支持向量机引入了船舶油污损失赔偿额的估算中,通过从历史船舶溢油事故案例中选取了十组样本数,以污染损失赔偿额与影响因子集作为训练样本,建立了船舶溢油事故污染损失额估算的支持向量机模型.并对支持向量机模型进行仿真训练学习,并将训练好的神经网络应用于对相关案例的估算.研究结果表明应用支持向量机方法进行溢油损失估算结果客观、可靠,为船舶油污索赔和环境保护提供了有力的理论依据.     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

基于SVM-BP集成学习的舰船蒸汽动力系统故障诊断

传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。     

基于融合特征支持向量机的港口起重机减速箱故障诊断

本文以港口起重机减速箱为研究对象,通过减速箱试验台缩尺模型预置故障,采集各类故障模式下的减速箱壳体振动信号。通过在时域、频域提取特征值,与EMD分解得到的IMF能量特征进行融合,经PCA降维处理后取一组样本作为训练集用于支持向量机模型训练。再由测试样本集对训练完成的模型进行验证,验证结果说明了用本文选取的融合特征训练的支持向量机在港口起重机减速箱的故障诊断运用是可行的,达到了较高的识别率。     

快速SVM算法及在陀螺仪参数漂移预测中的应用

针对支持向量机在对海量训练样本进行训练时,训练速度慢而导致难以应用的问题,通过分析训练样本数目与训练时间之间的关系,利用支持向量机对小样本学习的良好特性,提出了基于样本分组的支持向量机快速训练算法.将海量样本分成小样本进行训练,然后对训练得到的多个支持向量机进行加权处理得到决策函数.此方法在标准数据以及陀螺仪参数漂移数据上进行了仿真应用,方针结果证明该方法可大幅提高训练速度,同时保证了较好的泛化能力.     

一种多学科设计优化近似模型构建方法

通过采用单个参数控制样本的误差界限、采用Laplace损失函数和改变置信区间项,给出了一种基于单参数的Lagrangian支持向量回归算法。以实际数值函数为例,通过采用三组不同样本集进行拟合训练,构建了基于支持向量机的近似模型;以石油平台支援船总阻力估算为例,通过与模型试验及其他典型方法的对比,检验了算法用于近似模型构建的准确性和适用性。研究结果表明,采用支持向量机方法构建近似模型在小样本条件下比神经网络等传统方法具有更好的泛化性和推广能力,能够有效提高计算精度与优化效率,在复杂系统多学科优化设计中具有很大的应用价值。     

基于支持向量机的船舶航向广义预测控制

船舶的动态性能具有大惯性、大时滞、非线性等特点,经采用基于结构风险最小化原则的神经网络--支持向量机,能充分发挥其可以任意逼近非线性模型的良好特性来对船舶进行辨识,并以此作为广义预测控制算法中的预测模型,加以相应的预测控制算法达到航向保持的目的.仿真结果表明:支持向量机学习速度快,在小样本情况下具有良好的非线性建模和泛化能力;基于支持向量机的广义预测控制算法具有很好的控制性能.     

支持向量机的水声信号分类识别

研究水声信号识别特征的提取,在此基础上采用支持向量机理论,提出了一种水声信号的分类识别算法.该算法选取两类水声信号,提取它们的混沌特征值关联维数和h2熵作为目标信息,每类信号各提取32组数据,取两类水声信号各8组数据作为训练样本,训练支持向量机,其它样本用于验证.结果表明,支持向量机的分类算法能实现对目标的有效分类,分类效果较好,比较适合小样本、非线性分类.     

基于支持向量机的可靠性增长费用建模与分析

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法，具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数武器装备可靠性增长费用预测模型，然后对我军某型现役装备使用阶段可靠性增长费用数据进行了预测与分析。结果表明，与一般的回归分析相比，基于支持向量机的回归模型具有很好的预测精度。     

基于AFSA优化的支持向量机柴油机性能预测模型

电控高压共轨技术的采用使得船用柴油机性能及排放具有了更大的优化空间，但同时柴油机控制参数增多使得柴油机性能的预测变得更为复杂。为了建立精确的柴油机性能预测模型，利用回归支持向量机，通过对实验数据的学习以获得预测模型。支持向量机的预测精度会因其参数的选择出现一定的差异，所以需要对支持向量机参数选择进行研究和优化。以某型船用高速大功率电控高压共轨柴油机为研究对象，建立支持向量机预测模型，分析其预测性能受参数选择的影响，并利用人工鱼群算法对其进行优化。结果表明，基于人工鱼群算法优化的回归支持向量机能够建立精度较高的柴油机性能预测模型，且人工鱼群算法具有很好的寻优性能。     

基于支持向量机的船舶交通流量预测模型

针对船舶交通流的随机性大,影响因素多,船舶交通流量预测的准确度不高等现象,基于支持向量机理论,结合长江苏通大桥断面的观测数据,建立支持向量机的预测模型进行短期的船舶流量预测.预测结果与实际流量比较一致,优于SPSS线性回归的预测效果.验证了支持向量机预测模型在船舶流量短期预测中的可行性.     

使用协议分析和聚类支持向量机的入侵检测方法

根据入侵检测中协议分析技术与聚类支持向量机各自不同的检测特点,将协议分析技术融合到聚类支持向量机中,提出了一种新的入侵检测方法.通过协议分析不但可以快速地检测出入侵行为,而且可以有效减少支持向量机的训练时间,同时结合聚类算法进一步减少支持向量机的训练时间和预测时间,从而提高聚类支持向量机的检测效率.使用KDD99中的数据集进行仿真,试验结果表明,算法具有可行性、有效性,能有效提高检测率,降低误报率.     

基于支持向量机的典型船体结构裂纹损伤模式分类研究

为了识别典型船体结构裂纹损伤,提出基于支持向量机(SVM)的分类方法,采用固有时间尺度分解(ITD)和奇异值分解(SVD)方法对振动信号进行特征向量提取,得到训练样本和验证样本数据,应用SVM算法对训练样本数据进行正确的分类。为评估SVM分类准确性,引入BP神经网络算法进行对比分析,2种算法对验证样本进行分类预测,结果证明SVM方法对小样本试验数据进行模式分类具有更高的准确率。对十字加筋板的损伤模式进行分类研究,可对船体局部结构的维修和管理提供更好辅助决策支持。     

基于支持向量机的油滴识别及粒径分布特征提取算法

采用水下溢油模拟实验水槽装置模拟溢油工况,利用工业相机获取油滴图片,将图像分割后得到的油滴图片灰度值作为特征值,基于支持向量机(SVM)算法训练油滴识别模型,获得油滴的粒径分布特征。研究表明:SVM方法所训练模型在测试集样本识别中正确率为100%,在油滴图片识别中正确率超过95%,识别快速、结果可靠;处理相同数量的溢油图片,SVM算法比最大类间方差法(Otsu)用时更少,效率更高;处理204张油滴图片时,SVM算法的平均识别用时比Ostu算法快76.9%,累计识别用时比Ostu算法快74.5%。识别的油滴粒径在自然对数坐标系下呈线性分布,协方差R~2=0.842 7,与经典的Rosin-Rammler粒径分布吻合。