基于混合分类算法模型的DNS隧道检测

分析了目前DNS隧道检测各种方法,重点研究基于机器学习技术的DNS隧道分类方法,针对目前DNS隧道检测只局限于特定隧道类别进行判别的不足,提出了采用多种分类算法进行组合分类决策的混合分类算法模型(CCAM)对DNS隧道进行检测与分类,CCAM算法采用了支持向量机(SVM)、朴素贝叶斯(NB)、决策树(DT)等3种机器学习分类算法进行混合分类、组合训练与加权求优。结果表明,混合分类算法模型(CCAM)对DNS隧道的检测能达到90%精度值。

一种多属性约简支持向量机混合分类方法

针对属性特别多仅用一种属性约简方法难以实现有效约简的情况,提出了基于双重属性约简的混合支持向量机分类方法.通过引入贡献率和正确率两个概念,首先采用主成分分析算法计算各个条件属性的贡献率,根据贡献率大小和给定的阈值去掉条件属性中贡献率小的成分,提取信息量最大的主要成分;然后再基于粗糙集的属性约简理论,计算这些主要成分对决策变量的正确率,对这些属性进行第二次约简;该方法采用定性定量相结合的方式,可以最大程度地去除属性集中冗余的或不重要的属性,保证将最简的属性样本集输入支持向量机进行建模预测.最后的仿真试验验证了我们所提方法的有效性和正确性.

创建计算智能的软计算的混合方法研究

论述了创建计算智能新方法的软计算研究中的一个重要命题———软计算的混合。研究了软计算混合方法的必要性、重要性及其科学基础 ,提出软计算方法的混合类似于医学中的“鸡尾酒疗法”的学术见解 ;介绍了软计算混合方法的几种分类方式 ;在现有文献和该领域的一些新进展基础上重点讨论了软计算各主要成员方法之间的 6种典型混合。

基于遗传算法BP神经网络的多目标优化方法

为了解决多目标优化过程中解难以客观评估的问题,提出了基于遗传算法改进BP神经网络的多目标优化方法。首先针对遗传算法的不易收敛,局部最优等缺点,提出了改进的并行混合非劣分类遗传算法,然后将改进的遗传算法与BP神经网络融合,对多目标问题进行求解,利用遗传算法的全局优化和BP神经网络的局部优化能力,快速有效的解决多目标优化问题。

物联网环境下电力数据安全分级算法的研究

电力公司采用物联网技术可以便捷地采集大量的电力数据,提高电网的安全性。针对电力管理数据安全分级的现状,提出了混合特征分级算法,用于电力数据的安全分级,基于词频参数的改进特征项降维方法,降低文本的噪声,并结合优化的支持向量机模型,提高分类算法的准确率,实现电力数据的自动化和智能化安全定级。对比实验结果表明,提出的算法对比经典的数据分类算法,准确率在80%以上,极大地提高了分类的准确率。