支持向量机在线增量学习算法的MATLAB实现

基于支持向量机在线训练理论,采用MATLAB工具实现了一种在线增量学习算法。该实现方法调用LIBSVM工具包分类器训练函数和样本识别函数,将不能识别的样本作为增量数据重新训练分类器。设计的增量训练用户图形界面系统应用于手写数字的识别,结果表明了实现方法的正确性和有效性,并论证了增量训练能在兼顾新样本出现的情况下提高训练速度,提升手写数字识别的准确率。

基于在线增量学习的实时人脸跟踪算法

提出基于在线增量式极端随机森林分类器的实时人脸跟踪算法。算法用在线极端随机森林分类器实现基于检测的跟踪,并结合动态目标框架和P-N学习矫正检测的错误。实验结果表明,该算法能够在不确定背景下对任意人脸实现较长时间段内的稳定快速的实时跟踪,并能有效排除背景等的干扰,效果较好。

基于在线增量学习支持向量机的径流预测

针对传统SVM模型及非增量SVM模型在训练过程中会产生冗余向量且效果差的问题,提出在线增量学习SVM预测模型,并利用祁县来远镇盘陀村昌源河上盘陀水文站的月径流历史资料进行的仿真测试。结果显示,在线增量学习SVM模型较传统的SVM模型有较高的预测精度。

基于在线增量学习的自适应聚焦爬虫研究

在原始分类器聚焦爬虫的基础上设计并实现在线增量学习的自适应聚焦爬虫。该聚焦爬虫包括一个基础网页分类器和一个在线增量学习自适应链接分类器。基础页面分类器根据领域知识对抓取到的页面内容主题相关性进行分类。在线增量学习自适应链接分类器能即时根据爬虫爬得网页和网页链接信息作出分类模型调整以更合理方式计算链接的主题相关度。系统中链接排序模块采用TopicalRank主题相关度计算方法分析链接优先抓取顺序。把基于增量学习的自适应聚焦爬虫应用到农业领域,实验结果和分析证明在线增量学习的自适应聚焦爬虫在农业领域爬行性能比仅基于网页相关性和链接重要度的原始分类器聚焦爬虫具有更好的性能。

融合深度学习和在线增量学习的网络入侵检测方法研究

物联网高速发展的浪潮对入侵系统的时效性和可用性提出了新的要求,如何从海量高维数据流中发现入侵行为成为当前入侵检测技术研究的一个热点。采用一种在线增量学习的方法来持续更新海量高维数据场景下的入侵检测模型,该方法融合深度学习和在线增量学习方法来实现海量高维流量数据特征的提取与入侵检测模型的自适应更新,使得模型能有有效应对流量数据的随机波动行为。实验表明,本文的方法能够更好应对新增流量数据分布的差异性问题,满足入侵检测系统的时效性高、自适应学习需求。

基于记忆提炼的对比度量增强在线类增量学习图像分类方法

图像分类中类增量学习具有知识灾难性遗忘现象,现有的基于经验回放方法着重考虑的是记忆库的更新和采样方式,忽略了新旧样本之间的特征关系。为此,提出了一种基于记忆提炼的对比度量增强在线类增量学习图像分类方法(cME 2),设计了两种新的正负样本对,对旧样本信息进行了加强重复再利用,强化了模型对冗余特征和共性特征的表达能力,基于最近邻均值分类器改善了嵌入空间中的样本分布合理性。最后,通过对比实验和消融实验验证了所提方法的有效性和高效性。

面向多姿态点云目标的在线类增量学习

针对目前增量学习中所面向目标都是固定姿态这一现象,本文考虑了更严格的设定,即面向多姿态目标的在线类增量学习,并提出了无视姿态重放方法来缓解在线类增量学习中面对多姿态目标时的灾难性遗忘。首先,将2D/3D目标进行点云化处理,以方便提取目标的有效几何信息;其次,基于SE(d)(d=2,3)群对网络进行平移旋转等变性改进,使网络能够提取更丰富的几何信息,从而降低模型在每个任务中受目标姿态的影响;最后,根据损失变化采样特定样本用于重放来缓解灾难性遗忘。实验结果表明,在面对固定姿态目标MNIST、CIFAR-10时,本文方法的最终平均精度分别达到了88%和42.6%,与对比方法结果相近,但最终平均遗忘率明显优于对比方法,分别降低了约3%和15%。在面对多姿态目标RotMNIST、trCIFAR-10时,本文方法依旧能很好地保持在固定姿态目标中的表现,基本不受目标姿态的影响。此外,在3D数据集ModelNet40中的表现也依旧稳定。本文所提方法在在线类增量学习中能够不受目标姿态的影响,同时能缓解灾难性遗忘,具有很好的稳定性和可塑性。

泛函网络在线增量式学习算法及应用

给出了一类泛函网络的数学模型,并分析了它的拓扑结构特点和离线学习过程。在此基础上根据分块矩阵计算方法和泛函网络基函数矩阵本身的特点,给出了泛函网络的两种在线增量式学习算法。该算法能充分利用历史训练结果,具有学习、修正和应变功能。最后,以H(?)non时间序列为例进行仿真。仿真结果表明这两种学习算法是可行和有效的。

在线增量极限学习机及其性能研究

针对在线学习中极限学习机需要事先确定模型结构的问题,提出了兼顾数据增量和结构变化的在线极限学习机算法。算法以在线序列化极限学习机为基础,通过误差变化判断是否新增节点,并利用分块矩阵的广义逆矩阵对新增节点后的模型进行更新,使模型保持较高的正确率。通过在不同类型和大小的数据集上的实验表明,所提算法相较于经典极限学习机及其在线和增量学习版本都具有较好的分类和回归准确率,能够适应不同类型的数据分析任务。

基于在线增量小波LS-SVM的垂直陀螺仪残差故障检测研究

垂直陀螺仪是无人机重要的飞行姿态传感器,其在飞行过程中实时获取无人机的飞行姿态信息,因而其故障检测对在线性有着很高的要求;最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相比于支持向量机的具有训练速度快、计算复杂度和需要内存少的特点,且能够扩展为自回归的形式来处理动态问题;因此文章采用基于在线增量小波LS-SVM建立无人机垂直陀螺仪动态模型,实时获得实际值与模型预测值之间的残差,并依据残差对陀螺仪进行在线故障检测;实验结果表明,该方法能够对陀螺仪实现快速精确的在线检测。

面向Android系统安全的在线学习算法研究

目前,移动终端使用过程中存在诸多安全隐患,影响着整个系统的安全。因此,在面向Android移动终端基础上,研究一种新的入侵检测算法显得尤为重要。首先,通过Android平台,收集移动终端内核信息,并进行及时有效的预处理,借助快速核密度,正确估计Fast Kernel Density Estimation(Fast KDE)算法压缩收集到的大规模样本,从而得到数量合理的训练样本,为后面工作打下基础。然后,以在线增量学习算法为基础,通过支持向量机算法判别经过处理的相关数据,从而识别出入侵数据。最后,通过试验以及相关的数据分析,得出该方法有利于缩减训练时间,使检测性能达到最佳效果,可扩展性较好,且具有较好的自我提升能力。

煤矿井下动态环境基于WiFi的OSELM算法研究

针对煤矿井下环境高动态变化,导致WiFi指纹匹配定位模型精度降低的问题,提出在线顺序极限学习机(OSELM)的井下定位算法,利用新增接收信号强度指示(RSSI)数据实现对模型的在线实时更新,同时赋予新增数据时效性权重来改进OSELM算法,在保证定位精度的前提下减少数据采集和模型训练工作量。实验结果表明:与传统的批量学习方法相比,利用OSELM在线学习能力可以改善由于井下环境高动态变化导致定位模型精度降低的问题,并且改进的OSELM算法能更有效提升模型定位精度。

自适应最优搜索算法的网络蜘蛛的设计与实现

主题搜索引擎NonHogSearch改进了采用最优搜索算法的网络蜘蛛的搜索过程,控制了搜索的贪婪程度;并引入网页信噪比概念,从而判断网页是否属于所要搜索的主题页面;进一步,NonHogSearch在爬行过程中自动更新链接的权重,当得到主题相关页面时产生回报,将回报沿链接链路逆向反馈,更新链路上所有链接的Q值,这样避免了网络蜘蛛过早陷入Web搜索空间中局部最优子空间的陷阱,并通过并行方式实现多条链路的同时搜索,改进了搜索引擎的性能。实验证实了该算法在查全率与查准率两方面都有一定的优越性。

边云协同环境下智能家居物联网入侵检测方法

针对当前入侵攻击更新迭代速度快导致入侵检测方法面临失效性的问题,提出一种利用在线集成学习的入侵检测模型。该方法不仅能够具备在线增量学习的能力,还具备集成学习的方法,上述两种方法的融合不仅能够满足模型的时效性,还能保证稳定性和可用性,避免系统的预测结果随着训练数据的分布偏差过大而导致模型方差变大的问题。为了满足现在边云协同环境下智能家居物联网入侵检测的要求,利用Hadoop分布式计算系统来完成在线集成模型的部署,保证入侵检测模型的高可用、易扩展,使得在线集成模型可以实时应对物联网环境下大吞吐量数据传输和实时处理的需求。

基于软件定义网络的安全控制模型

针对软件定义网络架构的特点以及集中化控制模式容易受到黑客控制的问题,提出一种基于软件定义网络的安全控制模型。从入侵检测的角度入手,通过设计入侵监测模型的总体架构并利用卷积神经网络来实现原始数据特征提取,以实现入侵检测模型的训练优化;为了加强模型的有效性,设计一种在线增量学习的小样本数据训练方法,采用在线少量数据训练模型并结合集成学习的方法实现在线入侵检测模型的自适应更新,加强实时数据检测的准确率。实验表明,所提出的方法能够有效缓解来自网络攻击的压力,保障正常节点已建立连接的安全,具有一定的可靠性和扩展性。