协同标注的直推式支持向量机算法

在直推式支持向量机中,迭代过程中样本标注错误会导致错误传递,影响下一次迭代中样本标注准确度,使得错误不断的被积累,造成最终分类超平面的偏移,另外在传统单个分类器下,提高样本标注准确度与提高算法训练速度之间是矛盾的,无法得到兼顾.针对此,本文把投票机制和协同思想引入到直推式支持向量机中,提出一种协同标注的直推式支持向量机算法,利用多个分类器的投票结果对样本进行标注,提高样本标注的准确度,利用多个分类器进行协同训练提高算法的训练速度.最后实验结果表明,所提出算法能够利用投票机制和协同思想提高最终分类器的分类精度和算法的训练速度.

基于模糊Petri推理的网络入侵检测

对基于数据表的模糊Petri网推理算法进行了改进,给出了FPN八元组的定义,建立了模糊推理规则与FPN结点的一一对应关系,给出了依据模糊推理规则构造FPN结点的方法。最后针对网络入侵信息不确定性和大规模规则集的问题,改进基于数据表模糊推理的算法,并应用于网络误用入侵检测中。

基于HT-SVM的协同网络入侵检测

针对检测代理负载过大导致丢包率较高的情况,提出了基于Huffman树SVM(HT-SVM)的协同网络入侵检测。根据网络协议对网络数据进行分流,通过构建多个检测代理(TCP检测代理、UDP检测代理和ICMP检测代理)协同工作,减少检测代理的负载。由于Huffman树SVM结构对决策准确率及决策速度都有较大的影响,结合类间距离、类内样本数及类半径定义分离测度,并根据分离测度利用并行算法构建HT-SVM检测代理。用KDDCUP99数据集进行实验,对比单个检测代理的结果发现,不仅减少了训练时间和决策时间,而且提高了准确率。

不均衡数据混合取样分类算法

针对不均衡数据分类决策面偏移导致少数类识别率较低的问题,提出一种混合取样算法.首先计算类样本数的比值K;然后分别在多数类和少数类中随机选取一个样本,计算该样本的K-1近邻,以K个样本的中心作为新样本;再对剩余的样本重复上面操作,直到所有样本都被处理;最后所得新样本与原少数类样本共同构成新的训练集.该算法在改变样本密度的同时保持了原样本的空间分布,实验结果表明该算法能够提高SVM在不均衡数据下的分类性能,尤其是少数类的分类性能.

基于半监督模糊聚类的入侵检测

针对网络行为数据中带标签数据收集困难及网络行为数据的异构性,提出了一种基于异构距离和样本密度的半监督模糊聚类算法,并将该算法应用到网络入侵检测中。该方法依据网络行为数据样本的异构性计算样本与类之间的异构距离及各个类的样本密度,利用异构距离和类内样本密度计算样本与类之间的模糊隶属度,用所得隶属度对无标签样本进行加标签处理,并得到相应的分类器。在KDD CUP99数据集上进行仿真实验,结果表明该方法是可行的、高效的。

深度学习在实践教学中的应用研究

深度学习指在教师的引导下学生以有意义学习、自主学习、探究学习等方式充分发挥教师的主导作用和学生的主体作用,在深入分析深度学习的含义、现状的基础上,在《路由与交换技术》课程中进行深度学习尝试,从课程实践教学安排到各个教学环节的实施,到多元化的考核方式对深度学习进行探讨,培养学生实践能力、创新意识、创新精神及团队合作意识等综合能力,在该课程的教学实践过程中取得比较好的教学效果。

基于核空间中K-近邻的不均衡数据算法

为了解决传统分类器的过拟合现象,从而增强分类性能,提出了一种基于核空间中K-近邻算法的混合取样的不均衡数据集分类算法。该算法首先在核空间上计算样本与相反类样本的k个近邻,以及类样本间的平均距离,即两个类中心间的距离;然后依据控制参数删除远离分类边界的样本,再对少数类利用SMOTE算法插入样本;最后在新的训练集上确定最终决策函数。在人工数据集和4组UCI数据集上进行了实验,结果表明了该算法对不均衡数据集进行降维采样的有效性。

计算机网络实践课研究性教学的探讨与实践

研究性教学指在教师指导下学生以"自主、探究、合作、讨论"的学习方式充分发挥学生的主体作用,在深入分析研究性教学的含义、现状的基础上,阐明网络工程实验课中研究性教学的重要意义。以计算机网络实验课程为例,从创设场景、启发引导、自主探究、协作交流、总结提高5个教学环节到多元化的考核方式对研究性教学进行探讨,培养学生自主学习能力、知识的应用能力及创新能力,在该课程的教学实践过程中取得比较好的教学效果。

基于聚类和协同标注的TSVM算法

针对数据集中类样本不均衡、样本标注代价大的问题,结合聚类算法、委员会投票思想和TSVM算法,提出一种基于聚类和协同标注的TSVM算法,该方法利用聚类算法进行子集划分,保证每个子集都包含良好的空间信息,对样本的标注采用多个分类器进行投票,提高标记准确率,减少错误的累积和传递,提高标注准确率,增强最后分类器的泛化性能.KDDCUP99数据集上的实验结果表明该方法对未知攻击有较高的检测准确率.

项目式翻转课堂教学探索与实践

针对商洛学院应用型本科的定位,结合自主学习、探究学习理念,对《路由与交换技术》课程进行项目式翻转课堂教学探究,把微课、翻转课堂、项目驱动等教学方法相融合,以微课为栽体、以项目为依托、以翻转课堂为手段进行教学,充分发挥项目式教学和翻转课堂的优势,提高学生自主学习、探究学习、协作学习的能力,在具体的课程教学实践过程中取得比较好的教学效果。

基于信息反馈的半监督支持向量机算法

针对直推式支持向量机中标记速度与标注精度之间的矛盾,提出一种信息反馈的半监督支持向量机算法,该算法利用上轮标注数量、重置次数、未标注边界样本数量等信息,动态调整标记样本数量,对区域标注和成对标注进行折衷,在继承渐进赋值和动态调整的同时,可以平衡标记速度与标记精度之间的矛盾,减少错误的传递和积累.在人工数据集和UCI数据集上的实验结果表明该算法在保证标注准确度的前提下提高算法速度.

应用型本科《大学计算机》分级分类教学研究

不同学科对计算机知识需求不同,学生对计算机基础知识的掌握也存在差异,结合"以人为本、因材施教"的教学理念,以学生专业需求为入口,结合我校应用型本科的定位,对"大学计算机基础"分类分级教学法进行探究。从教学目标制定、教学内容选择、实验内容选择及考试方式等方面进行改革,以提高我校计算机基础课程的教学质量。

动态代价支持向量机增量学习算法

在不均衡数据集下,SVM分类超平面的偏移,使得基于KKT条件进行样本选择的增量学习算法性能不佳,针对该问题,提出动态代价的SVM增量学习算法,该算法依据各类样本密度之间的关系动态计算类的错分代价,减少每次迭代中分类超平面偏移造成的错误累积,保证依据KKT条件选取样本的准确性,使得每次迭代选取的样本都包含当前分类器缺少的空间信息,提高最终分类器在不均衡数据集下的分类性能。最后,在UCI数据集上的仿真实验结果表明该算法能够提高不均衡数据下的分类性能。

基于拆分集成的不均衡数据分类算法

为改进SVM对不均衡数据的分类性能,提出一种基于拆分集成的不均衡数据分类算法,该算法对多数类样本依据类别之间的比例通过聚类划分为多个子集,各子集分别与少数类合并成多个训练子集,通过对各训练子集进行学习获得多个分类器,利用WE集成分类器方法对多个分类器进行集成,获得最终分类器,以此改进在不均衡数据下的分类性能.在UCI数据集上的实验结果表明,该算法的有效性,特别是对少数类样本的分类性能.

以应用为导向的网络工程教学探索

针对我校应用型本科的定位,结合人才需要及深度学习理念,对《网络工程》课程进行以应用为导向、项目驱动、情境引入的教学改革探索,在该教学模式下,课程设计及单元设计以应用为导向、能力培养及素质养成为目的,把深度学习的创设情境、研究分析情境、自主探索、协作交流、总结提高五步教学法引入到单元设计和教学中,考核采用过程与结果相结合、理论与实践并重的多元化考核方式,培养学生知识获取能力、知识的应用能力、创新能力及职业素质,在该课程的教学实践过程中取得比较好的教学效果。

基于Tri-training直推式支持向量机算法

针对直推式支持向量机错误累积及获取无标记样本空间信息慢的问题,结合Tri-training算法、KKT条件及富信息策略提出一种基于Tri-training的直推式支持向量机算法,用KKT条件选择标注样本,用富信息策略选择加入的分类器,利用多个分类器的投票结果进行标注,提高样本标注的准确度,利用多个分类器进行协同训练提高算法的训练速度.最后实验结果表明,算法能够提高最终分类器的分类精度和算法的训练速度.

代价敏感的直推式支持向量机算法

针对不均衡数据集下分类超平面偏移导致直推式支持向量机样本标记准确率低的问题,结合动态代价和TSVM算法,提出一种代价敏感的TSVM算法,该算法依据类样本的空间分布信息计算类错分代价,利用KKT条件选择对当前分类超平面有影响的样本加入下一轮迭代,该算法可以提高初始分类器的分类性能,减少错误的传递和累积,从而提高标注准确率,增强最后分类器的泛化性能.最后在UCI数据集上的实验结果表明该算法在不均衡数据集下的有效性.

基于增量支持向量机的入侵检测算法

针对网络入侵检测无法识别新的入侵行为,利用增量学习不断完善分类器,使得分类器可以识别新的入侵行为。提出一种基于相似度的增量支持向量机算法,该算法依据新增样本与支持向量之间的相似度来选择样本(当前分类器缺少该样本的空间信息),然后加入训练集中参加下一次迭代训练。实验结果表明,该算法能够提高最终分类器的分类精度和算法的训练速度。

基于神经网络的协同入侵检测

针对计算机网络规模大、网络流量大、结构复杂等特点,使得检测代理负载过大导致丢包率较高而准确率较低,提出了基于神经网络的协同入侵检测,该方法根据网络协议构建多个检测代理(TCP检测代理、UDP检测代理和ICMP检测代理),多个检测代理协同工作减少检测代理的负载,从而提高检测准确率。最后用KDDCUP99进行仿真实验,结果表明该方法可以有效提高训练时间和检测时间,同时提高准确率。

基于决策树的协同网络入侵检测

由于不同网络协议有不同的属性值,不同的数据集可被用来检测网络入侵.该文提出了一种基于决策树的协同网络入侵检测模型,该模型是由多个代理组成,每个代理针对不同的网络数据协议类型(TCP/UDP/ICMP)分别履行检测,且它们又通过协同构成一个整体检测体系.最后用KDD CUP 99数据进行实验,验证了该方法检测入侵行为的有效性.