HL-Isomap+SVM在网络入侵检测中的应用

支持向量机所具有的处理小样本和良好的推广能力的优势,在入侵检测中得到了广泛应用。考虑到数据特征的高维性和冗余性,特征提取是一个关键步骤。采用非线性流形学习算法L-Isomap对入侵检测数据进行特征选择,然后应用one-classSVM训练并识别异常。通过将异构值差度量(HVDM)距离代替欧几里德距离提出了HL-Isomap。选用KDD数据集来比较上述不同模型,实验结果表明了降维方法的有效性,尤其是误警率性能得到了显著的提高。

基于KL-ISOMAP的高光谱图像彩色可视化

标志点等距映射(L-ISOMAP)作为一种降维方法,在高光谱图像可视化中极具潜力.针对L-ISOMAP算法标志点代表性不足以及计算代价较高的问题,提出了基于K-medoids聚类算法的改进型L-ISOMAP算法(KL-ISOMAP),进而形成可视化方法.该可视化方法由以下几部分组成:1)通过改进型K-medoids算法选择标志点;2)根据相似度剔除相似像元;3)实现剩余像元的非线性降维;4)完成降维结果的可视化.实验结果表明,KL-ISOMAP算法一方面有效地提高了标志点的内在结构代表性,进而取得了更好的可视化效果;另一方面可通过对相似阈值的设置,加快算法的运算速度.由此形成的可视化方法有着较好的视觉效果、距离保持特性以及像元可分性.

基于流形学习的舌图像颜色特征提取

目的提取舌图像的颜色特征。方法首先将舌图像划分成8×8的动态矩形网格,取每个网格的颜色直方图,再将它们向量化,得到舌图像的原始特征向量。然后利用Landmark Isomap对原始特征向量降维。结果对3594幅舌图像的原始特征向量进行降维,提取出了舌图像的舌质颜色、舌苔颜色、舌色深浅等颜色特征。结论本文方法可以有效地用于舌图像颜色特征的提取。