“AI自动提取特征”的简易范例

0引言在人与AI之间,最典型的协同合作模式是:由人们去观察而萃取特征,然后AI依据该特征进行分类,这称为:人工提取特征。此外还有进一步的合作模式:让AI自己来学习萃取特征,并且进行分类。这称为:自动提取特征。本文将借由很简单的范例来展示“自动提取特征”,以便充分发挥各种AI模型的特色,来促进特征提取的效率。

基于深度强化学习的自动特征提取模型研究

介绍了深度强化学习在自动特征提取领域的应用。首先,简单地概述了现有的特征提供取方法,包括传统的特征取方法、基于深度学习的特征提取方法和基于深度强化学习的特征提取方法;其次,阐述了深度强化学习和图像处理技术;最后,详细地介绍了基于深度强化学习的自动特征提取模型的设计方法,包括数据集准备与预处理、模型架构设计、模型训练过程及参数设置、实验结果分析与评估。该模型能够提高图像处理的准确性和效率,具有较高的推广使用价值。

HTTP网络应用特征串的自动提取

网络应用特征串的提取是网络流量分类中深度包检测(DPI)系统至关重要的一环。文中提出一种自动提取不同的HTTP网络应用(如网络视频、网络游戏、SNS等)的特征串的方法。该方法先对HTTP网络应用的全报文数据进行组流分析,然后通过一个基于Hash表的算法提取出频繁出现的字符串,最后通过建立HT-TP应用共性特征库,对频繁串逐个匹配等方式筛选出该HTTP应用的个性特征字符串。

基于Apriori算法的流量识别特征自动提取方法

提出了一种基于Apriori算法自动提取协议识别特征的方法,该方法可以自动提取2种最常用的协议识别特征——特征字符串和包长特征,提取特征的效率较传统方法有很大的提高。通过识别率、准确率、正误识别率和负误识别率等指标验证了所提取特征的准确性和完整性,并根据结果反馈指导特征提取的过程,保证了提取特征的可靠性。

攻击特征自动提取技术综述

攻击特征自动提取系统不需要人工干预便能够自动地发现新攻击,并为入侵检测系统提取出新攻击的特征。由此概括了攻击特征自动提取技术研究的意义;提出了系统评价标准,并将当前主要系统分为基于网络(NSG)和基于主机(HSG)2类,分别进行比较和介绍;最后分析了攻击特征自动提取技术的研究当前面临的问题和未来发展的趋势。

抗噪的攻击特征自动提取方法

现有的特征提取方法或不具有良好的抗噪性,或具有一定抗噪能力但特征提取的准确性较差。针对这一问题,利用多序列比算法能够求解序列间相同元素的全局最大一致性这一特点,提出一种包括多序列比对算法ClustalW+CSR、自适应噪声消除、特征转化这3个步骤的抗噪特征提取方法。实验结果表明,与当前其他基于网络的攻击特征自动提取方法相比较,该方法不仅特征提取的准确性较高,而且还具有良好的抗噪能力。

数据流应用层载荷特征正则表达式的自动提取

基于载荷特征的IP流分类技术的准确性较高,但是该分类技术的基础是提取出准确的载荷特征.目前大部分应用的载荷特征依靠手工逆向分析数据包结构来进行提取.然而手工分析提取应用产生的数据包是十分耗时的,特别是对于一个未知的应用.鉴于此,本文设计并实现了一种把固定位置载荷特征和载荷特征公共子串相结合的载荷特征自动提取算法.该算法可以自动提取应用层载荷特征并构造出正则表达式.除了可以提取出公共特征串之外,还可提取出很多特征提取算法所忽略的固定位置的单字节特征.实验结果验证了算法的有效性和准确性.

模糊网络入侵中多层序列特征自动提取方法研究

模糊网络中入侵特征较为多样化,无法通过固定的阈值进行合理判断。为了解决模糊网络入侵检测方法存在检测率低、误报率高和检测速度慢等问题,提出一种基于量子神经网络的层序列特征自动提取方法。在该算法中,通过对模糊网络进行层次划分,运用量子BP神经网络模型以量子形式形态的空间思维结构来提取信息,通过量子空间结构中量子门的移位与旋转变化对神经网络量子形态相位进行操作,完成多层序列特征自动提取。仿真实验表明,该算法具有较好高的检测率和检测效率,并且误报率较低。

基于类命名匹配的自动特征提取方法研究

基于特征的设计中 ,布尔运算是要经常使用到的 ,因此 ,当增加一个凹进或凸起的特征时 ,则相应的设计模型特征面被分割、融合或切削。在本文中 ,我们设法将所有的因特征发生交互作用所引起的面的拓扑变化如融合 ,分割引入一种类命名机制 ,它在基于特征造型系统起到标识实体模型中的拓扑实体和检验由于特征相交引起的加工特征的合法性的作用。这种类命名机制能有效用于增量设计中的特征提取与自动转换。

基于多层剪枝的攻击特征自动提取方法

针对现有攻击特征自动提取方法抗噪能力弱和准确性不高的问题,利用多层剪枝策略进行攻击特征自动提取。采用多层次架构使得各层间的序列比对相对独立,在同一时间可进行不同层次的多个双序列比对,从而提高计算效率。双序列比对使用改进的NLA算法,修改其相似度得分函数,对连续空位使用线性罚分,同时鼓励连续字符匹配,并用0代替得分为负的值且遇0时回溯,从而得到最优值。通过剪枝判据和置信区间辨别出噪声序列并保留,再与其他序列比对完成后生成的序列进行比对,进而判断剪枝,得到最终的序列比对结果,从而消除了结果中的部分噪声干扰。研究结果表明:该方法具有良好的抗噪能力,提取的攻击特征准确度更高。

指纹系统自动提取特征模式对指纹比对识别精度的影响研究

通过对指纹自动识别系统自动提取十指纹特征情况统计分析,了解指纹自动识别系统自动提取特征发生偏差的规律特点,开展自动比对测试实验,并根据测试结果评估自动提取特征对指纹比对精度的影响,探索解决因自动提取特征不准导致该比中而未比中问题的对策。

基于特征自动提取的跌倒检测算法

跌倒是导致老年人受伤甚至死亡的主要原因。准确及时的跌倒检测系统可以帮助跌倒者获得紧急救援。目前基于传感器的跌倒检测方法主要利用人工设计提取的信号特征来区分跌倒和非跌倒运动,但人工提取的特征往往会限制算法的精确度,增大算法时延。为提高跌倒检测的精确度和实时性,本文提出了一种基于深度学习的跌倒检测算法。该算法可以自动提取数据特征,实现从原始数据到检测结果的端到端的处理。算法模型主要由两层级联的长短期记忆LSTM(Long ShortTerm Memory)循环神经网络组成,通过神经网络提取加速度计和陀螺仪数据内部的特征,并判断是否有跌倒状况发生。本文使用两个公开数据集MobiAct和Sis Fall对算法性能进行评估。实验结果显示,算法在两个数据集都达到了较高的精确度(99.58%以上)和较低的时延(2.2 ms以内)。

基于自动提取特征的手写体数字识别

应用基于弃权、扩展数据、最大池化技术的卷积神经网络对MNIST手写数字数据集进行识别.对深度学习模型的代价函数,训练方法进行研究,优化了传统神经网络,达到了有效自动提取特征的目的.相较于人工特征提取和传统逻辑回归分析提高了识别率,减少了错误率.实验结果表明得到了99.1%的平均识别率,减少了76%的错误率.

基于支持向量机的复杂地质分形特征自动提取

为了提升勘探工作效率,准确提取复杂地质分形特征,提出一种支持向量机的复杂地质分形特征自动提取方法。在两种线性可分情况下,将最佳的分类面简化为最佳分类直线,获得最佳分类平面;考虑噪声及其它干扰因素造成线性不可分的状况,得到广义的最佳分类面;基于两点可以得出支持向量机内积;通过抽取异常重磁分维数的频率域角度获得分维值,反映出不同频率能量关系,计算地质图像内的方差、均值、相关性、对比度以及角二阶矩,即可完成地质分形特征自动提取。实验结果表明,所提方法能够很好区分各类泥岩样本,特征提取效果准确。

基于信息熵模型的电力主题词库特征自动提取

针对传统的电力主题词库特征自动提取方法存在特征提取不准确、召回率低的问题,提出基于信息熵模型的电力主题词库特征自动提取方法。利用信息熵模型,分别对基础词库、专业词库、停用词库与新词词库建设,配置不同类型文档;根据语义相似度获取词语之间匹配度,结合共现矩阵,计算词项间关联程度,并构建主题词关联网络;将数据挖掘与语义信息融合相结合,通过最短路径寻优算法得到特征提取的相关性系数,实现主体词库特征自动化提取。仿真结果表明,所提方法能够提高特征提取的准确度,匹配性能较强,且召回率较高。

一种自动特征提取的SAR图像水华识别方法

针对SAR图像水华识别中人工提取特征效率低的问题,提出了一种自动特征提取识别方法。该方法应用改进的K-means算法提取SAR图像暗斑,利用数据增强算法扩充暗斑图像集,并基于对水华暗斑图像特征的深入分析对DenseNet网络结构进行改进,以实现对水华暗斑与非水华暗斑更有效地识别区分。以太湖数据集作为实验数据,该方法获得了87.30%的总体精度,这一结果表明自动特征提取识别方法对于SAR图像水华识别的有效性。

基于AOI方法的未知蠕虫特征自动发现算法研究

近年来频繁爆发的大规模网络蠕虫对Internet的整体安全构成了巨大的威胁,新的变种仍在不断出现。由于无法事先得到未知蠕虫的特征,传统的基于特征的入侵检测机制已经失效。目前蠕虫监测的一般做法是在侦测到网络异常后由人工捕获并进行特征的分析,再将特征加入高速检测引擎进行监测。本文提出了一种新的基于面向属性归纳(AOI)方法的未知蠕虫特征自动提取方法。该算法在可疑蠕虫源定位的基础上进行频繁特征的自动提取,能够在爆发的早期检测到蠕虫的特征,进而通过控制台特征关联监测未知蠕虫的发展趋势。实验证明该方法是可行而且有效的。

轴承故障稀疏编码特征提取与多分类SVM识别

为了准确识别滚动轴承故障状态,提出了基于稀疏编码器的自动特征提取方法和基于投票法多分类孪生支持向量机的故障类型识别方法。稀疏自动编码器通过对输入信号编码过程,自动学习隐藏在输入信号中的特征量,无需任何先验知识和专家经验。将投票法与孪生支持向量机相结合,提出了投票法多分类孪生支持向量机的故障模式识别方法,既发挥了投票法"民主决策精度高"的优势,同时具有孪生支持向量机训练速度快的优点。挑选了凯斯西储大学在10类故障状态下的实验数据进行验证,投票法多分类孪生支持向量机故障识别精度为99.40%,而使用神经网络故障识别精度为95.61%,比多分类孪生支持向量机降低了3.96%;投票法多分类孪生支持向量机训练时间为34.79s,而神经网络训练时间为89.76s,是多分类支持向量机的2倍以上。实验证明了投票法多分类支持向量机具有极高的故障识别精度和较少的训练时间。

基于SVM和序列联配的攻击特征提取方法

针对序列联配应用于攻击特征提取时的碎片和噪声干扰问题,采用SVM分类器将多攻击样本转换成单一攻击样本,以减少联配过程中的噪声序列;在两序列联配Smith-Waterman算法的基础上,改变空位罚分方式,引入连续匹配字符奖励,提出一种改进的Smith-Waterman(ISW)算法。结合SVM分类器与ISW算法构建攻击特征提取模型。研究结果表明:该模型的联配结果能准确地表达攻击特征,降低检测系统的误报率。

基于线性矩和小波变换的医学图像特征提取

应用小波矩作为图像特征量以及小波变换进行医学图像的自动特征提取,利用小波变换对线性矩进行分析,提取图像的各分辨率下的小波系数经快速傅里叶变换作为特征。使计算量和数据量大大减少,为特征的选取带来方便。矩特征由于其良好的稳定性、抗噪性和旋转不变性在图像识别中受到了广泛的关注和应用。由小波矩来构造目标的旋转不变性的特征,可以克服传统矩的弊端,又具有旋转不变性的特征。