面向元信息分类的支持向量机改进技术

针对传统元信息分类方法的准确率不能满足主动P2P网络监测模型要求的问题,提出了一种基于改进支持向量机算法的元信息分类方法.该方法首先通过在加权最小二乘支持向量机的基础上加入对数据偏斜的处理,解决了元信息分类时关键词特征稀疏和样本高度不均衡问题,在对元信息文件名进行分词时,加入了词条之间的组合关系处理,在进行特征向量表示时,加入了对词条权值和语义属性的处理,最后使用基于粗糙集的属性规约方法进行特征向量选择,有效地降低了特征向量维度.实验结果表明,与传统方法相比,所提方法在进行元信息分类时能够大幅度提高分类准确率,准确率可达到97.8%,完全能够满足主动P2P网络监测模型的要求.     

多状态图神经网络文本分类算法

为了提高模型在文本分类任务中的分类性能,针对图神经网络中存在的过度平滑问题,同时增强模型在处理文本特征与文本表示方面的能力,提出了一种基于多状态图神经网络的文本分类算法(multi-state graph neural network, MSGNN)。多状态图神经网络是利用网络层的多个历史状态信息对图神经网络进行强化,构建合理的文本图结构数据作为模型输入。在缓解网络层过度平滑问题的同时,结合2种改进后的不同类型的图神经网络来增强模型的特征提取与特征聚合能力。利用多头自注意力机制对文本关键词的挖掘与利用能力,从多个文本子空间来生成高质量的文本表示,进而完成文本分类。通过在几个公开的文本分类数据集上进行实验分析,相较于其他神经网络的文本分类算法,该方法取得了较好的分类准确率。     

基于隐马尔可夫模型和条件熵的异常流量检测方法研究

网络发展势头迅猛,网络安全问题成为当今互联网时代的重中之重.本文提出将隐马尔可夫模型应用到流量异常检测中,用统计学的方法来对流量进行分类.从网络层面着手,将数据包中提取到的一些像IP等的属性特征经处理后输入到隐马尔可夫模型(HMM)中进行分类,最后通过模型输出概率值来判断流量的正常异常类型.在模型训练阶段,我们创造性地使用条件熵来优化Baum-Welch参数估计算法,减少了模型的训练的时间.从实验结果和分析比较来看,本文提出的检测方法在检测准确率和效率上都取得了良好的效果.     

基于信息内容和用户关系的用户兴趣分类

从微博的内容属性和社交网络的信息传播规律特征出发,将微博文本与用户关注关系结合作为用户兴趣分类的标准,从而使提取的用户兴趣的更加准确、有效。借助建立的用户兴趣分类模型解决用户兴趣分类问题,选取新浪微博作为研究对象,应用LDA算法进行主题提取,应用LibSVM算法进行分类。实验证明,该方法分类时增加了对用户信息的全面性应用,而且与其他方法相比有更高的分类准确率。     

基于ResNet和双向LSTM融合的物联网入侵 检测分类模型构建与优化研究

为提高物联网入侵检测模型的综合性能,将残差神经网络(Residual Networks,ResNet)与双向长短时记忆(Long-Short Term Memory,LSTM)网络融合,构建物联网入侵检测分类模型.针对大规模物联网流量快速批量处理问题,在对原始数据进行清洗、转换等预处理基础上,提出将多条流量样本转换为灰度图,并利用基于ResNet和双向LSTM融合的深度学习方法构建物联网入侵检测分类模型.对分类模型的网络结构、可复用性进行综合优化实验,得到最终优化模型,分类准确率达到96.77%,综合优化后的模型构建时间为39.85 s.与其他机器学习算法结果相比,该优化方法在分类准确率和效率两个方面取得了很好的效果,综合性能优于传统的入侵检测分类模型.     

基于图多层感知机的节点分类算法

多数图神经网络(Graph Neural Networks, GNN)通过设计复杂的节点信息传递和聚合方式，以提升节点分类等图分析任务的实验表现，而本文提出了一种无需信息传递和聚合的图多层感知机(Multi-Layer Perceptron, MLP)模型A&T-MLP,利用属性和拓扑信息引导的对比损失来增强模型表征能力。A&T-MLP首先使用属性矩阵和邻接矩阵计算节点间的属性和拓扑相似度；然后使用基于相似度信息引导的对比损失，增大特征空间中相似节点的一致性和不相似节点的差异性；最后构建多层感知机模型并引入交叉熵损失进行端到端训练。在节点分类任务中，A&T-MLP表现优于基线模型，Wikipedia数据集上的Micro-F1和Macro-F1相较GNN模型图卷积网络(Graph Convolutional Network, GCN)提升了15.86%和13.64%。实验结果表明，A&T-MLP能够通过对比损失保留丰富原始图的信息，提升模型性能。此外，A&T-MLP在处理拓扑信息不准确的图数据时具有较为明显的优势，即使在缺失80%拓扑信息的极端情况...     

基于深度增强学习的网络数据包分类算法研究

提出一种深度增强学习方法来解决网络数据包分类问题。本方法DeepCut使用简洁的表示形式来编码状态和动作空间,并有效地探索候选决策树以针对全局目标进行优化。DeepCut能构建针对特定规则集和性能优化目标的决策树。实验结果表明,与现有的方法相比,DeepCut能有效地减少数据包的分类时间,同时减少了算法运行的内存占用。     

粗糙集中一种连续属性预处理方法

针对在数据挖掘中，连续属性常常需要预处理问题，应用粗糙集理论对连续属性的不完备问题、离散问题进行了研究，提出了一种连续属性预处理方法。基于条件属性与决策属性间的对应关系完成了不完备数据的填补。依据划分区间的概念、连续属性离散化含义及其本质特征，定义了划分区间的加法运算法则，以此对填补后的信息表进行了划分区间运算，并以分类质量作为离散过程迭代约束条件，实现了信息表中连续属性的离散化。通过C 编写的算法进行数值示例及测试数据库。实验结果表明此算法有效可行。     

基于多重多层次关系的分类属性泛化研究

文章针对具有多重多层次的属性泛化问题构建了MRML泛化模型,并应用于分类规则的学习,提出一种基于MRML泛化关系的分类规则泛化学习方法(CG-DK);该方法根据具体发现任务的需求和当前实际数据库的内容,通过误分类率的控制,在挖掘的过程中选择最紧凑的泛化层次和路径对属性进行泛化,以得到符合用户个性化要求的优化的分类规则;实验表明了该方法的有效性.     

无线网络控制系统时延的计算方法

为了研究由于无线网络的介入而给控制系统带来的时延问题.提出了把无线线性网络中数据包的跳跃现象建模为无限脉冲响应模型的方法,通过对具有三个数据包系统跳跃属性的分析,证明了模型的正确性.以此模型为基础,讨论了数据包的解耦问题.通过无线网络的链接模型及凸函数的性质之间相关联的方法,构造了数据包时延与等待时延和每一跳长度的函数关系;根据此函数,把传输两个数据包时延的计算方法推广到传输三个数据包的网络中,最后应用于具有n个数据包的无线网络中,给出第i个数据包最优时延的计算公式,证明了时延的收敛性.给出的链接模型和时延计算公式有效地解决了无线网络诱导时延问题,提高了网络控制系统的稳定性.     

基于决策树的网络流量分类方法

针对传统流量分类方法(基于端口和有效载荷)分类不可靠的问题,提出基于C4.5决策树算法,根据训练集中属性的信息增益比率构建分类模型,按属性对测试数据集进行预测,通过查找分类模型实现对网络流量的分类。在公开数据集和自己采集的数据集上进行实验,结果表明,采用C4.5决策树算法对网络流量分类,平均分类精度为93%,单类别分类精度均在90%以上,能有效地实现对网络流量应用类型的识别。     

融合BiLSTM的双图神经网络文本分类模型

采用图神经网络模型为整个语料库构建异构图处理文本分类任务时，存在难以泛化到新样本和词序信息缺失的问题。针对上述问题，提出了一种融合双图特征和上下文语义信息的文本分类模型。首先，为每个文本独立构建共现图和句法依存图，从而实现对新样本的归纳式学习，从双图角度捕获文本特征，解决忽略单词间依存关系的问题；其次，利用双向长短期记忆网络（bi-directional long short-term memory，BiLSTM）编码文本，解决忽略词序特征和难以捕捉上下文语义信息的问题；最后，融合双图特征，增强图神经网络模型的分类性能。在MR，Ohsumed，R8，R52数据集上的实验结果表明，相较于经典的文本分类模型，该模型能够提取更丰富的文本特征，在准确率上平均提高了2.17%，5.38%，0.61%，2.48%。     

基于超像素分割的图注意力网络的高光谱图像分类

针对卷积神经网络(CNN)仅能应用于欧氏数据,无法有效获取像素间的全局关系特征以及长距离上下文信息的问题,构建一个基于超像素分割的图注意力网络SSGAT.该网络将超像素分割后的超像素块视为图结构中的图节点,有效减少了图结构的复杂度,并降低了分类图的噪声.在3个数据集上对SSGAT及对比算法的分类精度进行测试,分别获得了94.11%,95.22%,96.37%的总体分类精度.结果表明该方法性能优异,在处理大尺度区域的分类问题时优势明显.     

基于BIM与本体技术的建筑图规则审查方法研究

基于BIM与本体的自动化审图在智能建造领域具有重要价值,已有研究多为针对特定规范的审图工具开发,缺乏对规则的系统性、结构化分析及BIM数据映射的构建.以28个建筑设计及绿色建筑国家规范为研究对象,分析其审查规则的定义方式,得出具有统计意义的规则分类,构建基于IFC标准的表达模型.对于模型信息缺失,提出基于本体与IFC属性集扩展实现语义丰富的方法,以建筑设计规范为分析对象,将基于BIM模型图的审查流程进行了优化.以档案馆建筑设计规范中的审图规则与某档案馆工程BIM模型为实例进行了该优化流程的演示与验证.     

动作分类卷积神经网络特征的时域属性校正方法

针对3D卷积神经网络捕获的动作特征中时域属性信息的稳健性不足,提出一种时域属性校正方法.通过独创的属性映射法抽象出网络特征数据的时域属性,对比各组特征的属性信息后,对信息差异过大的特征数据进行校正.校正后的模型将增强特征之间的时域一致性,使卷积神经网络模型的动作分类性能得到优化.使用3D的ResNeXt-101作为仿真验证的基础模型,显著提升了该模型在两个常用动作分类数据集上的测试准确率,在使用了预训练模型后也能够保持良好的优化效果.     

判别类条件贝叶斯网络分类器的量子粒子群优化参数学习

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。     

一种面向不平衡分类的改进多决策树算法

在处理不平衡数据集时,为了降低类重叠对分类效果的影响,避免过采样造成的过拟合现象,以及欠采样造成的信息丢失问题,本文提出一种基于欠采样与属性选择的多决策树方法UAMDT(multi-decision tree based on under-sampling and attribute selection)。其首先利用Tomek link欠采样与集成欠采样两种技术相结合对数据进行处理,并获得多个平衡子集;然后在每个平衡子集上构建单决策树,采用结合信息增益和基尼指数的混合属性度量作为属性选择标准,选择最优属性作为每棵单决策树的根节点的分裂属性;最后将单决策树进行集成构建多决策树。通过对10个不平衡数据集的多个评估指标进行实验,验证了本文算法的有效性和可行性。     

基于RS-LSSVM的高速列车走行部滚动轴承故障诊断研究

针对高速列车走行部滚动轴承故障诊断模型构建时间较长、诊断准确率不高的问题,提出一种基于粗糙集(RS)和最小二乘支持向量机(LSSVM)的方法。该方法利用小波包变换构造能量特征集,使用粗糙集属性约简算法对离散后的能量特征集处理,得到最小约简,将其输入到基于最小二乘支持向量机的故障诊断模型中进行状态识别。测试实例证明了粗糙集属性约简算法不仅保留了能量特征集的重要属性,缩短了后期故障诊断模型构建时间,而且保证了故障诊断的准确率,其模型构建时间为0.071 s,故障诊断准确率为100%。因此,RS和LSSVM相结合是一种优秀的故障诊断方法,可以作为高速列车走行部滚动轴承故障诊断的新思路。     

异质网络中融合多类信息的链路情感倾向预测

信息网络中基于节点间情感关系分析的链路情感倾向预测在商业营销、内容推荐等领域应用广泛，是网络分析的一个研究重点.传统的链路情感倾向预测方法对于数据信息的挖掘不够充分，忽略了对数据深层语义以及节点属性等信息的利用，预测准确度有待提升.针对以上问题，提出了异质网络中融合多种类型信息的链路情感倾向预测模型.模型首先引入预测基值作为特定节点间情感关系的粗略评估，然后结合节点的相似关系以及节点的属性等信息完成预测.其中，在捕获网络中具有相似情感倾向的节点用于预测任务时，提出了一种基于限制路径类型元路径的遍历游走方法.在5个公共数据集上的实验结果验证了所提模型的有效性及对于稀疏矩阵、冷启动问题的处理能力，并揭示了模型各组成部分在预测过程中的作用.     

基于关联度和代价敏感学习的决策树生成法

针对ID3决策树生成法中存在的缺点,通过引用属性关联度和代价敏感学习,提出了一种基于属性关联度和代价敏感学习的决策树生成法。该方法利用粗糙集理论对条件属性进行约减,在构建决策树过程中,把属性的关联程度和性价比作为选择分裂结点的依据,利用改进的信息增益方法构建代价敏感决策树。试验结果表明,该方法在分类准确度和生结点总数量上比常用决策树生成方法优越。