利用SSO加速最佳路径森林聚类的网络入侵检测

针对网络入侵检测系统中的一般聚类算法速度较慢和精度较低的问题,提出了一种基于简化群优化的最优路径森林聚类算法(SSO-OFC).首先,将数据集解析为图,将其节点作为样本;然后,将每个样本连接到其给定特征空间中的k-近邻,图的节点由它们的概率密度函数(pdf)值加权得到;最后,通过样本及k-近邻之间的距离计算得到pdf值.提出的算法主要贡献是快速估计最佳k值,并将最优路径森林聚类应用于网络入侵检测.在5个公开的数据集上进行实验.结果表明,SSO-OFC的精度非常稳定,除了KddCup数据集,其他数据集上的精度都在95%以上,相比基于数据聚类的SSO和自组织映射更加稳定有效.

网球视频中基于OPF聚类的球体检测方法

针对网球视频中网球的检测和跟踪问题,提出了一种基于最优路径森林(OPF)聚类的球体跟踪方案.首先,对输入的不稳定视频进行稳定化处理,以消除视频中的抖动和噪声.然后,将黄色平面强度特征和相位四元数傅里叶变换特征作为球体特征,从视频帧中分离出候选目标.最后,利用OPF聚类从球体候选目标中分类出真实目标,获得球体实际位置,从而绘制出球体运动轨迹.实验结果表明,该方法能够从视频帧中准确检测出网球,具有较高的精度和鲁棒性.