基于Tri-training的入侵检测算法

半监督的双协同训练要求划分出的2个数据向量相互独立,不符合真实的网络入侵检测数据特征。为此,提出一种基于三协同训练(Tri-training)的入侵检测算法。使用大量未标记数据,通过3个分类器对检测结果进行循环迭代训练,避免交叉验证。仿真实验表明,在少量样本情况下,该算法的检测准确度比SVM Co-training算法提高了2.1%,并且随着循环次数的增加,其性能优势更加明显。

基于Tri-Training的驾驶风格分类算法

为进一步提高驾驶风格识别准确率并降低传统监督学习所需大量人工标记带来的时间成本,基于半监督学习三协同训练(Tri-Training)方法对驾驶员驾驶风格进行识别。对驾驶员真实驾驶产生的长时序数据进行数据清洗、工况识别、特征提取,并通过专家系统进行标记后使用Tri-Training算法进行训练,建立驾驶风格识别模型,通过调节带标签样本与无标签样本的比例,对比使用不同样本比例下训练的传统机器学习模型和Tri-Training模型的驾驶风格识别准确率。试验结果表明,相比于传统的监督学习方法,Tri-Training在带标签数据较少时,仍能表现出优异的识别准确率,半监督学习下的Tri-Training模型可以有效利用未标记样本来提高驾驶风格分类的准确率。