基于粒子群优化相关向量机的网络入侵检测

构建计算机网络的入侵检测系统,对于保护网络中的信息免受各种攻击显得非常重要.为了克服支持向量机的缺点,提出了一种基于粒子群优化相关向量机(RVM)网络入侵检测方法.相关向量机是一种建立在支持向量机上的稀疏概率模型.与支持向量机相比,它不仅具有较高检测精度,还具有较好的实时性,粒子群优化算法用于确定相关向量机的核参数.最后结合试验将提出的方法同支持向量机算法、BP神经网络进行了比较,结果表明提出的相关向量机相比于支持向量机、BP神经网络有着更高的入侵精度.     

改进支持向量机在网络入侵检测中的应用

为提高网络安全性,提出一种改进支持向量机的网络入侵检测算法.首先采用核主成分分析提取网络数据重要特征,加快网络入侵检测速度,然后采用粒子群算法对支持向量机参数进行优化,提高网络检测正确率.仿真实验结果表明,改进支持向量提高网络入侵检测正确率,降低漏检率,同时加快了网络入侵检测速度,是一种有效、实时性较强的网络入侵检测算法.     

基于聚类支持向量机的入侵检测算法

针对支持向量机应用到入侵检测中训练时间长的特点,提出了一种基于聚类的支持向量机的入侵检测算法。该方法可以对训练数据进行剪枝,以靠近判别边界的聚类中心集合作为有效的训练样本集合对支持向量机进行训练,减少了样本的训练时间,提高了算法的效率。实验结果表明该方法对入侵检测是有效的。     

基于模糊支持向量机的网络入侵检测

本文提出了一种基于模糊支持向量机的网络入侵检测方法。通过在样本中引入模糊隶属度,来减小噪声数据和孤立点的影响。根据网络入侵检测的特征,选择合适的核函数,构建了适合于网络入侵检测的模糊支持向量机分类器。实验表明这种分类器应用于网络入侵检测是可行的,有效的。     

基于Bagging支持向量机集成的入侵检测研究

对大数据集来说，支持向量机的时空耗费非常大，本文采用bagging技术对支持向量机进行集成。首先用bootstrap技术对训练样本集进行可重复采样，使所得到的新子样本集有较大差异，然后用多个支持向量机对各子样本集进行学习，并将学习后的结果用多数投票法集成最终的结论。实验表明，支持向量机集成对入侵检测数据有比单个支持向量机更好的分类性能。     

Boosting算法在入侵检测中的应用

将一种基于支持向量机的Boosting算法应用于入侵检测,并通过KDD’99数据的仿真实验将它与单一的支持向量机分类器进行比较,结果表明Boosting算法比单一的支持向量机分类器具有更好的检测效果。     

基于QPSO的属性约简在NIDS中的应用研究

支持向量机作为一种优良的分类算法应用在网络入侵检测系统中,但是训练时间过长是它的主要缺陷.文中提出了基于量子粒子群优化的属性约简和支持向量机(SVM)的入侵检测方法,利用量子粒子群优化的属性约简算法对训练样本集进行属性约简,剔除了对入侵检测结果影响较小的冗余特征,从而使入侵检测系统在获取用户特征的时间减少,整个入侵检测系统的性能得到提高.实验结果表明,该方法是有效的.     

基于支持向量机和象群优化算法的入侵检测技术研究

随着信息技术的发展，网络攻击手段日渐多样化、复杂化，传统的网络入侵检测工具在网络环境中的检测准确率较低，难以应对复杂的网络攻击，因此该研究从支持向量机的分类特点出发，对象群优化算法进行改进并将其与支持向量机进行结合，建立入侵检测模型；针对入侵检测模型的参数选定性能与实际检测效果进行分析。结果显示该次设计的模型对普通攻击类型的检测正确率高达96.45%,对普通攻击类型的检测误报率低至5.72%,在面对不同攻击类型时都能保持良好的检测效果，维持良好的稳定性与鲁棒性。     

基于混合核函数的LSSVM网络入侵检测方法

针对常规网络入侵检测算法检测率低、误报率高以及检测效率低下等问题,在此使用基于混合核函数的最小二乘支持向量机作为网络入侵检测模型的核心算法,使用粒子群优化算法对最小二乘支持向量机的各个参数进行优化。使用著名的KDD CUP99数据库中的部分数据样本对网络入侵检测模型进行训练和测试,以验证所提出网络入侵检测方法的性能。测试实验结果表明,提出的基于混合核函数的PSO-LSSVM算法具有更好的检测性能,提高了检测系统的检测率。     

基于相关向量机的网络入侵检测算法

针对支持向量机理论中存在的问题：训练样本数量多以及必须满足MerCer条件等,提出了一种基于相关向量机（RVM）的网络入侵检测方法。首先采用“删除特征”法对KDD99数据集中的41个特征进行评级,筛选出针对不同入侵类型的重要特征和非重要特征,然后只选择重要特征进行匹配。结果表明,这种方法与基于支持向量机（SVM）的入侵检测模型相比,具有更高的检测率和更低的误警率。     

改进的投影孪生支持向量机

针对投影孪生支持向量机（Projection Twin Support Vector Machine,PTSVM）在训练和求解过程中存在的问题,提出了一类改进的投影孪生支持向量机（Improved PTSVM）,简称为IPTSVM.该文首先构造了改进的线性投影孪生支持向量机,然后利用核技巧轻松将其推广到了非线性形式.本文的主要贡献有：（1）提出了投影孪生支持向量机的新模型,克服了原始PTSVM在训练之前需要求解两个逆矩阵的问题;（2）继承了传统SVM（Support Vector Machine）的精髓,利用核技巧直接将线性IPTSVM推广到非线性形式;（3）引入了一个新的参数,可以调节模型的性能,提高了IPTSVM的分类精度.实验结果表明,与PTSVM算法相比较,IPTSVM不仅提高了分类精度,而且克服了PTSVM的一些不足.     

复杂分类问题支持向量机的简化

对于复杂分类问题,不可避免的会有错分情况,此时支持向量机的支持向量较多,影响了识别速度.为了解决这个问题,我们提出了基于最小错分间隔的分类思想,并在此基础上得出了一种新的简化支持向量机.与普通支持向量机相比,这种简化支持向量机有较少的支持向量、较高的识别速度,而且实验结果表明,它的识别精度完全可以与普通支持向量机的识别精度相媲美,甚至更优.     

基于OC_SVM的Steghide检测算法

通过对使用隐写软件Steghide隐藏信息前后图像T、A、P点数目变化规律的分析,对每幅图像构造一个特征 向量,并且结合支持向量机提出一种基于OC_SVM的Stegthide检测算法,同时,实验结果给出了该算法在不同信息嵌 入量情况下的检测性能。     

PSVM多类分类及其应用

近似支持向量机(PSVM)在支持向量机(SVM)的基础上,变不等式约束为等式约束,只需求解一组线性等式,避免了求解二次规划问题,使得算法更快、更简洁,在两类分类问题中取得较好应用.探讨了3种基于两类PSVM的多类分类方法,在标准数据集上进行了验证,并与标准SVM的结果进行了比较,结论表明3种PSVM多类分类方法能取得较好的分类性能.     

超平面支持向量机简化性能分析

与传统支持向量机相比,针对复杂分类问题的超平面支持向量机和针对高噪声数据回归问题的回归型超平面支持向量机,具有支持向量少、测试速度快、计算精度高的优点。然而对不同的样本集,超平面支持向量机的简化效果有所不同,仔细分析了这一现象的原因,得出在支持向量中非约束支持向量所占比率越低则超平面支持向量机简化效果越明显的结论。     

支撑矢量预选取的中心距离比值法

支撑矢量机为小样本模式识别提供了一新的途径,但其支撑矢量的选择相当困难,也成为其应用的瓶颈问题.对此,本文提出了一种能够预先选取支撑矢量的方法——中心距离比值法.该方法在不影响支撑矢量机的分类能力情况下,大大地减少了训练样本,提高了支撑矢量机的训练速度.文中给出的仿真实验结果也验证了该方法的有效性和可行性.类似的结果在国内外还未见报导.     

基于主动学习的支持向量机算法

针对支持向量机（svM）模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机（AL_SVM）方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。     

基于笔画特征的叠加文字检测方法

提出一种利用笔画线条的统计特征基于支持向量机进行图像中叠加文字检测的方法。该算法首先通过一种改进的线段检测算子提取出笔画线段；然后对笔画线条通过区域合并定位出候选文字块；接着对候选文字块提取一个反映文字笔画线条空间分布特点的32维特征，并通过支持向量机建立的模型对候选文字块进行确认分类。以汉字为例的初步实验表明所提出笔画纹理特征对较多字符构成的文字区域具有很好的性能。     

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机（Proximal Support Vec-tor Machines,PSVM）算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。     

一种基于支持向量机的分类算法

支持向量机是在统计学理论基础上提出的一种新的机器学习方法，由于其出色的学习性能，该技术已成为机器学习界的研究热点，并成功地应用在文本分类、图像识别、生物信息处理等领域。这里简要介绍了支持向量机算法及其应用，并且讨论了其未来的发展方向。