基于动态特征选择的Android应用隐私风险自动化检测

针对Android应用中可能存在的用户隐私泄露问题,提出一种基于机器学习方法的自动化检测模型。该模型选择使用App申请的权限作为特征,动态地选取特征集,并采用四种经典的机器学习算法进行独立的训练与预测,最终确定最适用于Android应用的隐私风险检测模型。实验结果表明,对于隐私风险应用,该模型能够实现平均95%以上的识别准确率。该模型能够从多层面更好地进行应用风险管理以及用户隐私保护,具有较高的社会效益与实际应用价值。

基于动态特征选择的恶意网络行为检测仿真

恶意网络行为检测中易受噪声数据干扰,影响检测效果。为了降低检测错误率,提出一种基于动态特征选择法的恶意网络行为检测方法。构建超融合架构,将网络数据输入到架构中,采用超融合框架中的自编码器对网络数据实行降维处理,运用改进的PCNN模型消除数据中存在的噪声,避免检测过程受到噪声干扰,提升检测准确率。采用动态特征选择法更新网络数据的特征权重值,利用特征加权熵完成特征选择,剔除权重值小于阈值的特征数据,动态选择重要的特征分量,降低检测时间,通过聚类算法识别出恶意行为簇,完成恶意网络行为检测。实验结果表明,所提方法的检测时间短、检测准确率高、检测错误率低,可以有效保证网络运行的安全性。

采用动态特征选择的中文情感识别研究

针对中文情感识别中特征空间稀疏度和冗余度较高的特点,从集成学习视角出发,提出一种基于动态特征选择机制的情感识别方法.该方法首先采用核平滑方法构建特征子集划分的维度分布和特征空间的重要度分布,然后根据这两种分布函数,自适应划分特征空间,形成多个不同粒度的子空间,然后训练对应的基分类器,最后使用多数投票法的融合策略构造集成识别模型.在校园BBS评论数据上与其他基准算法进行对比实验,结果表明该算法在查全率和查准率等方面均优于其他算法,有效地提高了情感识别的准确性和鲁棒性.

基于动态特征选择的手写体相似汉字的识别

相似字多是造成汉字识别误识率和拒识率高的主要原因之一,该文提出了一种基于动态特征选择的相似字识别方法,其识别过程从初始提取全局特征开始,然后逐步动态地、递归地加入更精细的局部特征以提高识别的判决力,直至识别结果满足判决条件为止。这种方法不需要人工确定相似字组,而且能自动选择相似字间区别最大的部分空间,构成新的特征向量。通过实验验证,该方法使相似字的识别率有了显著提高,证明了该方法的有效性。

基于一种动态特征选择融合算法的蛋白质结构类预测

本文根据氨基酸理化性质,基于氨基酸组成成分与自相关函数相结合特征提取法从非同源蛋白质序列中提取七个特征集,采用局部正确性的动态特征选择算法进行多特征组合来预测蛋白质结构类,并与各个特征集进行了比较。结果表明,DFS-LA算法的预测总精度较各个特征集均有不同程度的提高。Jackknife检验下,DFS-LA算法的预测总精度为82.80%,比COMP特征集提高8.91%;独立测试检验下,DFS-LA算法的预测总精度为86.67%,比COMP特征集提高11.67%。这说明DFS-LA算法可有效提高结构类预测精度,多特征组合能在一定程度上更多地反映蛋白质的空间结构信息。

密集场景下基于多尺度特征聚合的人群计数方法

密集场景下个体尺度存在巨大差异,目标个体尺度不一导致人群计数精度不高。针对这一问题,提出了一种密集场景下基于多尺度特征聚合的人群计数方法。该方法研究不同特征层级对不同尺度个体的特征信息表示能力,通过层级连接充分获取多尺度特征;同时,提出了一个多尺度特征聚合模块,采用多列具有不同扩张率的空洞卷积,通过动态特征选择机制自动调整感受野,以有效提取不同尺度个体的特征。该方法能够在保留小尺度个体特征信息的基础上进一步扩大感受野,增强大尺度个体的检测能力,使其更好地适应人群个体的多尺度变化。在3个公共人群计数数据集上进行了实验,实验结果表明,所提模型在计数准确性上有了进一步的提高,其中在ShanghaiTech数据集Part_A上MAE为51.21,MSE为83.70。

基于数据挖掘技术的学生成绩预警应用研究

学习成绩是评价一个学生学习情况的最重要最基础的指标,对学习成绩的分析有利于老师掌握学生的学习情况,进行针对性地进行教学辅导,而对学生而言,能提前知道自己未来课程在学习过程中出现的情况也有利于学生发现自身存在的问题并提前加以防范.现有的研究工作大多是基于对课程、历史成绩或行为数据的分析来对学生的总成绩进行预测,很少有研究将学生行为与学生课程成绩等方面结合起来综合全面的预测学生未来所有的课程的学习情况,对此,本文从一个新的角度出发,利用学生的行为、个人属性和历史成绩等三个方面数据,根据学生未来不同课程动态的进行影响因素的选择,并利用支持向量机对学生成绩进行预警,为数据挖掘技术在教育领域的应用做了一些探索性工作.

利用梯度提升树预测公交车到站时间

当前我国公交公司普遍采用让具有丰富经验的公交调度人员以人工估计车辆到站的方法来调度车辆的发车。这种方式缺少计算辅助,加上工作量大,经常容易出现错误预估导致无法缓解道路上常发生的同路公交车遇到一起(串车)或者相隔太远(大间隔)的情况。公交到站时间受道路交通、乘客人数、时间、天气等诸多因素影响,具有不确定性。本文基于该现实问题从公交公司角度出发,提出了一种基于动态特征选择和梯度提升树的公交到站时间预测算法。其动态主要体现在对于不同线路、同一线路不同方向经过特征选择分别选取对该线路该方向站点停留和站间行驶影响较大的特征。该算法用于辅助公交调度人员参考到站时间,从而使得调度人员可以作出更准确有效的调度策略。