基于小波变换和极限旋转森林算法的入侵检测模型

针对入侵检测系统存在性能不稳定等问题,结合旋转森林算法(Rotation of Forest,ROF)和极限学习机(Extreme Learning Machine,ELM)提出了一种新的入侵检测模型ROF-ELM。该算法首先提出入侵检测的评价指标,并综合小波变换来对评价指标建立刻画方法,同时利用ROF-ELM对训练集进行处理,将得到的样本类标进行训练输出,以此提高检测效率。最后,利用MATLAB进行仿真实验,深入研究了在该算法下的入侵检测性能,结果发现ROF-ELM具有较好的适应性,在分类结果和预测正确率等方面性能更佳。

旋转森林算法在GF-2卫星影像土地利用分类中的应用

"高分二号"(GF-2)卫星影像中精细的空间信息可用于高精度的土地利用分类研究。为了获取基于GF-2卫星影像土地利用分类的最优特征空间,以及将旋转森林算法应用于提高遥感影像分类精度中,文章利用GF-2卫星影像数据,基于光谱特征(4个多光谱波段和1个全色波段)、指数(植被指数、水体指数及简单比值指数)和变换成分(主成分、最小噪声分离成分与独立成分)构建特征空间,应用基于决策树的旋转森林算法构建面向对象的分类规则集,进行土地利用分类,并与最近邻和决策树算法的分类结果对比分析。结果表明,结合光谱特征、几何特征和纹理特征,采用旋转森林算法得到的分类总体精度为84.85%,Kappa系数为0.819;引入指数、变换成分后分类总体精度提高4.90%,Kappa系数提高0.058;相比于最近邻分类器和决策树分类器,结合旋转森林思想的决策树分类器总体精度分别提高11.97%和15.44%,Kappa系数分别提高0.142和0.184。研究结果可为中国高分辨率卫星影像的信息提取及基于旋转森林算法的土地利用分类研究提供参考。