基于免疫遗传算法的自组织映射网络应用研究

研究了自组织映射网络的初始权值选取问题,提出了基于免疫遗传算法的自组织映射网络.利用免疫遗传算法选取网络的初始权值,优化网络模型的输入参数.应用该方法对员工缺席情况和鲍鱼年龄进行分类.实验结果表明,免疫遗传算法自组织映射网络的分类准确度及训练效率都高于遗传算法自组织映射网络.     

基于FVSM和自组织映射网络的Web文本自动分类方法

针对Web信息挖掘中的文本自动分类问题,提出了一种基于模糊特征向量(FVSM)和自组织特征映射网络的分类方法．网络由输入层和竞争层组成．输入层节点与竞争层节点实行全互连接．输入层完成分类样本的输入,竞争层提取输入样本所隐含的模式特征,并对其进行自组织,在竞争层将分类结果表现出来．分无监督和有监督两个阶段完成对网络的分类训练．该方法在特征提取时充分考虑了特征项在文档中的Web位置信息,构造出模糊特征向量,使自动分类原则更接近手工分类方法．以中国期刊网全文数据库部分文档数据为例验证了该方法的有效性．     

基于CWGAN-GP平衡化的网络恶意流量识别方法

在网络恶意流量识别任务中,存在恶意流量样本数量与正常流量样本比例不平衡问题,从而导致训练出的机器学习模型泛化能力差、识别准确率低。为此,在网络流量图片化的基础上提出一种利用具有梯度惩罚项的条件Wasserstein生成对抗网络(CWGAN-GP)对少量数据类进行平衡的分类方法。该方法首先借助网络流量图片化方法将原始流量PCAP数据按照流为单位进行切分、填充、映射到灰度图片中;然后使用CWGAN-GP方法实现数据集的平衡;最后,在公开数据集USTC-TFC2016和CICIDS2017上使用CNN模型对不平衡数据集和平衡后的数据集进行分类测试。实验结果表明,使用CWGAN-GP的平衡方法在精确度、召回率、F1这3个指标上均优于随机过采样、SMOTE、GAN以及WGAN平衡方法。     

基于混合神经网络的ECG数据压缩

提出了一种基于神经网络自适应模板匹配（ＮＮＡＴＭ）的ＥＣＧ压缩方法,利用Ｋｏｈｏｎｅｎ的自组织特征映射（ＳＯＦＭ）对ＥＣＧ波形进行分类,然后根据分类结果将心搏波形送往相应的前馈网络压缩,并生成一匹配模板,最后用ＳＡＰＡ３算法对残差信号进行处理。对以２５０Ｈｚ和１１ｂｉｔ量化的ＭＩＴ／ＢＩＨ心电波型的实验表明,该方法压缩效果好于ＳＡＰＡ３算法。     

基于NLPCA的聚类可视化方法

为了将高维输入空间的数据映射到低维空间,利用可视化技术探测数据的固有特性,提出了用非线性主成分分析（NLPCA：NonLinear Principal Component Analysis）和自组织映射网络相结合的方法对生物信息学中基因表达数据进行聚类可视化分析。实验结果表明,该方法有较高的分类正确率,用于基因表达数据的聚类分析是行之有效的。     

基于SOFM网络的声速剖面聚类研究

研究了自组织特征映射网络在海洋声速剖面聚类中的应用，并提出了一种改进算法，使网络对奇异体本的适应性变强，有效地实现了声速剖面的优化聚类，仿真实验表明该方法能够高效准确地分类声速剖面。     

基于Petri网求解网络最大流的并发仿真方法

通过将网络映射为Petri网形式的大量Petri网仿真实验得知,没有任何控制且并发运行的网络,其流量不能总是自行达到理论最大值,究其原因在于托肯在路径选择时随机经过了易拥堵结点与不拥堵结点。针对性地采取相应的网络控制策略,对网络从库所参数、弧参数和变迁参数3个方面进行单一或组合的设置,使得托肯优先经过不拥堵结点。运行调整后的网络,托肯沿网络从起点出发在各个局部并发地移动,遍历每一可能达到的结点,直至终点,网络流量达到其理论最大值,网络流实现全局最优。基于Petri网求解网络最大流的并发仿真方法为大规模网络最大流问题的分布式计算提供了一个新思路。     

基于类传播分布的关系近邻异质性网络分类方法

基于同质性假设的关系分类方法对异质性网络分类性能较差,针对异质性网络的分类问题提出了一种基于类传播分布的关系近邻分类方法。该方法采用二阶马尔可夫假设,分类时考虑来自未标记结点邻居的邻居的影响,并通过计算传播类别向量和传播参考向量使结点间的影响进行传递,结合松弛标注的协作推理方法不断更新分类结果直至类分布收敛。对比实验结果表明,本文方法在异质性网络分类上具有较高的分类精度。     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于神经网络的信息融合在直线状特征提取中的应用

在分析信息融合的基本原理与自组织特征映射模型的基础上，提出了将基于自组织特征映射模型网络的信息融合应用于遥感影像中直线状特征的提取方法。以实际的遥感影像作为处理对象，实验结果表明，该方法的应用灵活有效，可以得到令人满意的提取结果。     

不平衡数据下基于CNN的网络入侵检测

深度学习的自学习能力可以实现入侵检测系统的不断更新及扩展,增强入侵检测系统的防范能力,但目前大部分基于深度学习的网络入侵检测研究都未考虑到数据集类别不平衡问题.针对此问题,提出了一种类别重组技术结合Focal Loss损失函数的处理方法,用于原始网络入侵流量分类.该方法把原始流量生成灰度图输入卷积神经网络CNN进行特征提取学习,类别重组技术保证了训练集中攻击类别间的相对均衡,而Focal Loss损失函数通过影响类别权重提高了CNN模型对复杂样本的关注.在三个CNN模型上进行了实验,macro-f1分别提高了9.41%, 1.65%和4.39%,结果表明该方法能够有效处理网络入侵检测中的类别不平衡问题,且明显提高了少数类样本的识别精度.     

基于SOM的变压器绕组和铁芯故障诊断

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于自组织特征映射(SOM)神经网络的变压器故障检测方法。首先利用集合经验模式分解(EEMD)方法提取变压器不同运行状态下振动信号的特征矢量,以其表示变压器运行状态,降低故障分类和识别时运算量。然后通过采用SOM网络自组织学习算法,不断学习样本的特征矢量确定故障隶属函数,从而可以快速有效地诊断变压器的故障类型。试验结果表明,该方法可实现对变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态分类,并对测试样本进行快速的模式识别。     

面向特征生成的无监督域适应算法

针对无标签高维图像分类问题,常用的深度网络在无标签的情况下难以产生好的分类结果。为此,提出一种面向特征生成的无监督域适应模型(Feature-GAN),它以一种无监督的方式在特征层面学习从一个域到另一个域转换,将源域图像特征映射为目标域图像特征并保持标签信息,生成的带标签特征可用于目标域特征的分类训练。该模型在复杂图像域适应上避免了图像本身的生成过程,而专注于特征生成,易训练且稳定性高。实验表明,该方法可以广泛应用于复杂图像分类的场景,相比于传统基于样本生成的无监督域适应算法,该算法在精确度、收敛速度以及稳定性上均有提高。     

基于聚类分析的人工神经网络洪水预报模型研究

应用模糊C均值(FCM)和自组织映射网络(SOM)两种方法将洪水流量过程线进行分解,并聚成不同的类别,结合多层前馈神经网络(MFN)建立了两个综合神经网络模型(FCMMFN和SOMMFN),进行洪水预报。在王家厂水库流域洪水预报的应用结果表明,两种聚类方法能够将流量过程分解为具有不同内在规律的若干过程,两种综合神经网络模型预报精度均优于单一的多层前馈网络模型,而且FCMMFN的精度高于SOMMFN。     

复杂模式保留拓扑的平面映射及其应用

采用自组织映射(Self-Organize Map,SOM)网络,将复杂化学模式映射于平面,并保留模式群的高维空间拓扑结构,从而可以清晰地反映出化学模式间复杂的几何关系．还提出了获胜邻域和学习率的调整方案,用以改进SOM网络的训练效率,并将8维橄榄油样本映射于网络的输出平面,成功地实现了聚类,进而在分类预报中取得良好效果．     

基于自组织径向基网络的染色体分类

提出了一种基于自组织径向基人工神经元网络的人体染色体模式分类的方法，该方法将人体染色体长度、着丝点位置、带纹分布等特征作为自组织径向基网络的输入，利用自组织径向基网络的混合学习算法对网络进行训练，使人工神经元网络对人体染色体具有了自动分类的能力．     

基于自组织特征映射网络的纹理分类研究

提出了基于自组织特征映射网络（ＳＯＭ）的纹理分类方法。采用了适合纹理分析的纹理谱（ＴＳ）的概念，并在分类过程中引入了纹理谱特征向量，纹理谱向量是ＴＳ经过降维处理得到的。该特征向量反映了空间模式的纹理特征。在学习（训练）与分类识别中，采用了神经元网络模型。与ＴＳ相对应的特征向量重复地送入ＳＯＭ网络的输入端，网络的权向量则逐渐地将样本值聚类到各自的样本中心。计算机模拟实验表明，作者提出了纹理分类方案十     

结构化P2P网络上语义发布/订阅事件路由算法

为解决结构化P2P网络上语义发布/订阅系统上基于内容的高性能语义事件路由问题,提出一种基于集结点的语义事件路由算法（rendezvous-based semantic event routing, RSER）,该算法根据订阅和事件的域标识、属性个数以及属性名映射订阅和事件到集结点,在支持语义路由的同时,避免了分布式哈希表 (distributed hash table, DHT)映射精确性与语义数据模型复杂性之间的矛盾;通过属性个数限制事件发布目的地,减少事件发布流量;采用P2P的内在路由机制和聚合优化措施分发事件,充分利用P2P网络容错性的同时,降低事件路由流量.实验结果表明,在大规模的发布/订阅下,RSER算法在性能上优于基于逆向路径转发的路由算法,并在路由效率、网络资源消耗、订阅维护效率和扩展性等方面取得了良好的平衡效果     

基于内容转发模型的P2P流量识别算法

随着P2P技术的发展,单纯地依靠IP加固定端口、应用层特征匹配进行流量识别的方法已不能满足实际需求。本文基于P2P网络结点既下载数据内容又将其进行转发的事实,建立了P2P网络的内容转发模型,并在此基础上设计实现了基于P2P网络内容转发模型的流量识别算法。该算法不依赖于端口号或应用层特征等与特定应用相关的信息,而是充分利用了结点具有内容转发的内在特性,具有较好的扩展性和鲁棒性。同时,理论分析和实验结果表明:本文算法具有较好的识别精度和鲁棒性,对检测P2P流媒体应用及热门资源共享产生的流量更具适应性。     

一种生成符合网络实际特性的仿真流量方法

在开发面向服务提供网络的相关设备时,需要进行大量的仿真和性能评估工作。如何生成既满足仿真测试需求,又符合网络流量实际特性的仿真流量是一个关键问题。当网络链路带宽和业务复杂度很高时,传统方法的实现难度很大。为此,文章通过设计一系列流量数据的操作过程,得到了一种可扩展的流量数据生成方法,采用该方法可以很方便的生成各种流量数据。最后,结合流媒体数据传输的测试实例,给出了这种方法的应用。