基于改进支持向量机在移动通信网络隐私数据泄露检测中的应用

文章针对移动通信网络中的隐私数据泄露检测问题,提出了一种基于改进支持向量机(SVM)的检测方法。通过构建移动通信网络隐私数据泄露检测的结构,分析了如何改进SVM算法以及利用粒子群优化技术(PSO)优化SVM参数,从而提高检测准确度和降低计算复杂度。此外,文章还对改进算法进行了实验,实验结果表明,文章提出的方法在准确性和稳定性方面均优于传统方法,具有一定的实用价值。

基于最小二乘支持向量机的造纸工控网络高隐蔽性入侵检测

造纸工控网络的数据特征具有复杂性和多样性,对于高隐蔽性入侵行为,其特征可能被混杂在正常操作和噪声中,增加了检测的难度。为此,提出基于最小二乘支持向量机的造纸工控网络高隐蔽性入侵检测方法。首先,使用CEEMD算法对网络数据进行分解,得到一系列固有模态分量(IMF),利用排列熵对IMF分量进行分析,确定高噪声IMF分量;使用小波降噪对高噪声IMF分量展开抗干扰处理。然后,使用互信息特征选择方法对抗干扰处理后的入侵数据进行特征提取。最后,将提取到的入侵数据特征作为输入数据,通过最小二乘支持向量机(LS-SVM)建立一个判别函数,该函数根据输入数据的特征值进行分类,并判断网络中是否存在高隐蔽性入侵行为。实验结果表明,所提方法最高入侵检测准确率达到0.98,Kappa统计量最大为0.99,表明所提方法的数据处理效果好、网络入侵检测精度高。

基于支持向量机的通信网络攻击行为分类检测方法

由于通信网络流量数据具有高维性与复杂性,传统的网络攻击行为检测方法的检测准确率较低。为提高检测准确率,文章提出基于支持向量机的通信网络攻击行为分类检测方法,即使用预处理后的流量数据构建图卷积神经网络模型,提取特征并输入支持向量机进行分类,得到最终的攻击行为分类结果。仿真实验结果表明,基于图卷积神经网络的分类检测结果的漏报率仅为0.78%,相较于基于BP神经网络和基于普通卷积神经网络的分类检测方法具有更高的检测精度。

基于支持向量机DE算法的输变电工程数据特征提取与评估

输变电工程数据繁杂,为提高数据特征提取与评估水平,本文提出基于支持向量机DE算法的模型。通过对支持向量机和DE算法应用原理的了解,明确各自应用特点,采用支持向量机DE算法的综合型方案提取输变电工程数据并做出评估,输入变量采用k-means聚类算法的数据特征子集,在确定SVM核心参数后,通过DE算法进行优化,建立覆盖面广、结果准确的DE-SVM评估模型。结合实例,研究该模型在工程数据预测与评估中的应用效果,结果表明平均误差均在6%以内,精度高,应用效果优于BP神经网络和未优化的SVM算法,可推广基于支持向量机DE算法的DE-SVM模型,准确预测和评估输变电工程数据,为工程造价管控提供依据。

基于支持向量机和蚁群算法的热电联产电力接线网络优化方法

为更好地满足不同用户的能源需求,创造更多经济效益,提出一种基于支持向量机和蚁群算法的热电联产电力接线网络优化方法。计算电力产热产电比,以燃料成本、网络损耗最小化为目标,创建热电联产电力接线网络模型;考虑日分类、星期分类、天气分类等元素,使用近大远小原理选择电力数据样本,采用支持向量机预测热电联产电力负荷;运用蚁群算法寻找电力接线网络最优配置方案,利用轮盘赌机制挑选最优路径,引入物元分析中的距离和关联函数概念,设支路中的关联函数值大于0为较优支路,完成热电联产电力接线网络优化计算。实验结果证明,所提方法在多个测试案例中均取得良好的优化效果,实现了能源高效利用,具有重要的实际应用价值。

基于反向传播神经网络和支持向量机融合模型的农产品价格预测技术

在当今农业科技快速发展的过程中,农产品种植的种类和规划方式也越来越丰富,不同的农产品规划能带来不同的农作物种植收益。为了提高农产品种植规划的质量,提出了一种基于融合模型的方法。过程中建立包含三层结构的反向传播神经网络,使用粒子群算法通过逐渐逼近的方式进行数据寻优,使用支持向量机回归技术对短时间农产品价格进行预测。实验结果表明,研究方法在对蔬菜进行预测时,在输入数据条数为200条时的计算时间为153 ms;在产品单价预测结果中,研究方法在对水果进行预测时的预测结果误差保持在0.003元每千克以内。研究方法能够有效完成农产品的单价预测,且具有良好的效率。

基于支持向量机和灰色BP神经网络的冬小麦晚霜冻害预测

晚霜冻害是黄淮海平原冬小麦生产中危害严重的农业气象灾害之一,为有效预测冬小麦晚霜冻害,以河南商丘市为研究区,针对商丘1980—2019年的气象数据,以0℃为阈值确定终霜日,采用灰色季节灾变方法处理数据,得到反映霜冻发生年份规律的间隔数据序列,结合灰色系统和机器学习模型的优点,提出了一个基于支持向量机残差修正的灰色BP神经网络模型。试验结果表明:对照传统灰色预测模型、改进灰色模型以及BP神经网络预测模型,残差修正后的灰色BP神经网络模型的平均相对误差、平均绝对百分比误差和均方差比值分别为0.3843%、1.1502%和0.0690,模型拟合程度进一步提高;对历史数据和预测结果进行分析,发现每20年存在1个晚霜冻发生连续时期,其后晚霜冻发生频率降到2~4年1次,预测商丘下一次晚霜冻发生年份为2022年。本研究提出的冬小麦晚霜冻害预测模型,对各项精度评价指标均有提升,冻害预测结果与实际发生情况基本一致,可为全球气候变化背景下大面积冬小麦晚霜冻害预测提供思路和方法,对其他农业生产灾害预测问题具有一定参考价值。

糖尿病足溃疡复发风险预测模型的构建:基于Logistic回归和支持向量机及BP神经网络模型

背景全球范围内糖尿病足溃疡(DFUs)首次复发与再次复发率逐年上升,且早期复发风险高于远期风险。导致DFUs复发的风险因素较多,目前缺乏系统的筛选,因此需要探索DFUs复发的危险因素,以便早期识别复发高危人群。目的探讨Logistic回归、支持向量机(SVM)和BP神经网络(BPNN)模型在DFUs复发风险中的预测价值。方法选取2020年1月—2021年10月在宁夏医科大学总医院烧伤整形美容科、内分泌科和伤口造口门诊就诊的DFUs患者390例作为开发模型的研究对象。根据患者出院后1年内DFUs是否复发分为复发组116例(29.7%)和非复发组274例(70.3%)。收集两组患者的一般资料包括社会人口学特征、病史评估和临床病例资料并进行比较,采用糖尿病足部自我管理行为量表(DFSBS)评估患者糖尿病足部自我管理行为,采用慢性病风险感知问卷评估患者DFUs风险感知水平。采用多因素Logistic回归分析探讨DFUs患者出院后1年内DFUs复发的影响因素;将患者按照7∶3划分为训练集和测试集,运用Logistic回归变量筛选策略,分别建立Logistic回归、SVM和BPNN模型;绘制各模型预测DFUs复发风险的受试者工作特征(ROC)曲线。结果两组DFUs患者BMI、独居、糖尿病病程、吸烟史、饮酒史、受累足趾截肢史、足溃疡分级、踝肱指数、糖化血红蛋白、溃疡位置在脚底、足趾受累、足部存在行走障碍、骨髓炎、多重耐药菌感染、糖尿病周围神经病变、下肢动脉粥样硬化、足部自我管理行为、DFUs风险感知水平比较,差异均有统计学意义(P<0.05)。多因素Logistic回归分析结果显示,BMI[OR=0.394,95%CI(0.285,0.546),P<0.001]、糖尿病病程[OR=1.635,95%CI(1.303,2.051),P<0.001]、吸烟史[OR=0.186,95%CI(0.080,0.434),P<0.001]、足溃疡分级[OR=2.139,95%CI(1.133,4.038),P=0.019]、糖化血红蛋白[OR=2.289,95%CI(1.485,3.528),P<0.001]、溃疡位置在脚底[OR=3.148,95%CI(1.344,7.373),P=0.008]、足部自我管理行为[OR=0.744,95%CI(0.673,0.822),P<0.001]和DFUs风险感知水平[OR=0.892,95%CI(0.845,0.942),P<0.001]是DFUs患者1年内DFUs复发的影响因素。Logistic回归、SVM和BPNN模型在测试集中预测DFUs复发风险的正确率分别82.43%、94.87%、87.17%,ROC曲线下面积(AUC)分别为0.843、0.937、0.820。Logistic回归、SVM和BPNN模型预测DFUs复发风险的ROC曲线AUC比较,差异有统计学意义(Z=2.741,P<0.05);SVM模型预测DFUs复发风险的ROC曲线AUC高于Logistic回归和BPNN模型(Z=5.937,P=0.013;Z=3.946,P<0.001)。结论SVM模型预测DFUs患者出院后1年内DFUs复发风险的正确率、灵敏度、特异度、AUC等指标均较好,为相对最优的模型,建议进一步推广应用以验证预测模型的效能。

三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

为实现紫苏品种的快速鉴别,避免以次充好,选取4个品种的紫苏采集三维荧光数据,提出了一种基于小波包分解融合Fisher判别分析(Fisher discriminant analysis,FDA)的荧光数据特征选择策略,并实施了4种紫苏的有效鉴别。首先,对三维荧光数据进行预处理,采用Delaunay三角形内插值法去除瑞利散射和拉曼散射,以消除它们的不利影响;运用Savitzky-Golar卷积平滑对数据进行平滑处理,以减少噪声的干扰。同时,对三维荧光数据进行初步筛选,去除了荧光强度小于0.01的发射波长。然后,对各激发波长对应的发射光谱进行3层sym4小波包分解,计算得到最低频段的小波包能量值,作为各激发波长光谱数据表征量。接着,再利用FDA对小波包能量进行判别分析,将其所包含的差异性信息进行融合,得到FDA生成的新变量,并选取累计判别能力达到99%的前3个FD变量作为不同品种差异性信息的表征变量,提出三维荧光数据的表征策略。最后,利用BP神经网络(backpropagation neural network,BPNN)和支持向量机(support vector machine,SVM)两种模式识别算法对表征变量进行分析,得到FDA+BPNN和FDA+SVM两种鉴别结果。FDA+BPNN的训练集正确率为97.5%,测试集正确率为95%;FDA+SVM的训练集和测试集的正确率均达到98.33%。结果表明,三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别。这为后续有关紫苏的进一步检测研究(如某些有效成分的定量检测)提供了研究基础。

线性判别分析优化孪生支持向量机的网络入侵检测

为了提高大规模网络数据入侵类型实时检测的准确率,采用线性判别分析(LDA)对网络样本特征进行降维处理,降低孪生支持向量机(TWSVM)的运算复杂度,增强TWSVM的网络入侵检测适用度;首先,采用LDA基于类内和类间散度计算获得网络入侵检测样本的降维特征变量;然后,建立LDA-TWSVM网络入侵检测算法,分别求解TWSVM一次规划和二次规划的核心参数;最后,输入降维特征变量,通过TWSVM输出获得网络入侵检测结果。结果表明:LDA网络样本特征降维对网络入侵检测的正向激励效果较为显著,使得所提出的算法在网络入侵检测中具有较高的适应度;相比于几种常用入侵检测算法,所提出的算法具有更高的检出率(0.9943)和更优的均方根误差(1.1328)。

基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测

针对空中交通系统运行周期性和时变性的特点,结合复杂网络理论和模糊最小二乘支持向量机(LSSVM),提出一种基于最优样本集在线模糊最小二乘支持向量机(OTSOF-LSSVM)的飞行冲突网络态势预测方法。首先,基于三维的速度障碍法构建飞行冲突网络模型,并根据航空器的位置、航向和速度判断冲突;其次,分析飞行冲突网络拓扑指标的演化时间序列,得到与预测时刻在时间和距离上相关的样本组成最优样本集;最后,采用在线模糊LSSVM训练得到预测模型,并在模型更新过程中通过分块矩阵思想简化更新过程,提高算法效率。实验结果表明,所提方法能够快速、准确地预测空中态势,为管制员掌握空中交通的发展情况提供参考,并辅助进行冲突的预先调配。

基于改进支持向量机的网络安全态势感知算法

为了保证和有效提升网络安全态势感知结果,提出一种基于改进支持向量机的网络安全态势感知算法.通过粒子群算法(PSO)对支持向量机内的参数进行优化,利用灰色关联分析法确定指标权重,将全部训练样本输入到改进支持向量机内进行训练,实现网络安全态势感知.和已有的网络安全态势感知算法相比,所提算法可以获取高准确率的网络安全态势感知结果,同时还可以有效减少运行时间,更加适用于解决网络攻击问题.

基于支持向量机的通信网络异常流量数据挖掘方法

传统方法对通信网络流量异常数据挖掘的精准度和效率较低,安全性不高。基于此,提出基于支持向量机通信网络异常流量数据挖掘方法并对该方法进行设计。首先,基于支持向量机对通信网络流量进行特征选择,利用支持向量机在通信网络流量异常挖掘中,选取一对一的构造方法进行类别分类。其次,通过统计频率法选择通信网络流量特征子集并列出大体流程图。再次,对通信网络流量异常特征聚类分析,先计算通信网络流量特征数据记录的距离,再建立通信网络流量特征聚类流程。最后,识别和挖掘通信网络流量异常数据,设计出通信网络流量异常判别模型,通过基于二分法的通信网络流量数据特征分析和基于支持向量机的判别后完成了通信网络流量异常的数据挖掘。将设计方法与传统方法和基于多尺度数据挖掘方法进行对比,得出该方法更具有优势。

基于改进支持向量机的软件缺陷快速分类研究

随着软件在各行业的广泛应用,对软件缺陷快速而准确的分类变得愈发关键。本文基于支持向量机(SVM)算法,提出了一种新的改进算法,强调提高处理效率和降低对噪声的敏感性,并通过对比分析实验结果,验证了改进算法相对于传统算法的性能优势。本文的研究结果能够为软件工程领域提供更先进、可靠的软件缺陷分类方法,为确保软件质量和可维护性提供有力支持。

基于支持向量机的电力数据通信流量数字化监测方法

电力数据通信网络承载着电力系统的关键业务数据,其安全稳定运行至关重要。针对日益严峻的网络安全形势,文章提出一种基于支持向量机的电力数据通信流量数字化监测方法。该方法通过特征提取、模型训练、异常检测等环节,实现了对海量通信流量数据的智能分析与精准识别。仿真实验结果表明,该方法能够有效发现网络中的各类异常行为,检测准确率高达98.5%,为保障电力系统的安全稳定运行提供有力支撑。

基于支持向量机的发动机健康状态评估

针对发动机健康评估中健康指标构建和评估准确率低的问题,提出了一种基于支持向量机的发动机健康评估方法。首先对传感器数据进行可视化筛选评估参数,然后通过多指标数据融合,得到拟合发动机退化过程的健康指标。以健康指标制作发动机健康状态标签,通过支持向量机算法对发动机健康状态进行评估。利用NASA发动机数据集进行验证,结果表明算法在提高健康评估准确率方面有明显改善,能对发动机健康管理提供参考。

基于支持向量机的无线通信网络异常信号识别方法

为了提高对无线通信网络异常信号识别的识别准确率以及异常信号分类性能,文章引入支持向量机,开展对异常信号识别方法的设计与研究。利用异常信号中包含多种不同形状频谱特点,提取无线通信网络异常信号特征;利用支持向量机,构建异常信号识别模型,并选择最佳模型参数;采用一对多和一对一两种多分类方法,识别异常信号的具体类型。通过对比实验证明,该文方法的识别准确率更高,且不会受到环境中信噪比的影响,对异常信号类型分类的性能也更理想,将该方法应用于实际,可以为无线通信网络安全运维提供更可靠的条件。

基于粒子群算法优化最小二乘支持向量机的网络安全态势评估

为了提高网络安全态势评估的准确性,提出一种基于最小二乘支持向量机和粒子群优化算法的网络安全态势评估模型.通过分析参数对最小二乘支持向量机性能的影响,并采用粒子群优化算法选择模型参数,建立网络安全态势评估模型,最后采用仿真对比实验测试模型的有效性和优越性.结果表明,本文模型获得理想的网络安全态势评估结果,可以为网络管理人员提供有价值的参考信息.

基于支持向量机和自适应权重的网络安全态势评估模型

网络安全是近年来国内的重点研究领域,没有网络安全就没有国家安全.针对网络安全中数据源多样性、复杂性等特点,提出了一种基于支持向量机及自适应权重的网络安全态势评估模型.该模型由训练和预测模块组成,训练模块采用先验知识方法获取网络安全关注的重点数据,结合支持向量机和权重策略寻求评估模型.预测模块进行实时网络安全态势评估.通过实验过程和结果分析,表明该模型较好的支持小型网络安全态势的实时预测评估.

灰色关联分析和支持向量机相融合的网络安全态势评估

为提高网络安全态势评估的准确性,提出一种灰色关联分析和支持向量机相融合的网络安全态势评估模型。根据网络安全态势评估原则进行评估指标体系选择,并根据灰色关联分析确定指标权重,将训练样本输入到支持向量机进行训练,采用改进粒子群算法优化支持向量机参数,建立网络安全态势评估模型,最后采用数据集KDD Cup99对模型性能进行仿真测试。仿真结果表明,该模型可以准确、客观地对网络安全态势进行评估,评估结果可以为网络管理员提供一定价值的参考建议。