基于支持向量机的计算机键盘用户身份验真

口令认证因为简便易实现而被大多数计算机系统所采用 ,但容易被盗用 ,存在着严重的安全隐患 ,而利用对用户的键入特性的识别 ,可以大大加强口令认证的可靠性 .在对国内外众多学者所做工作研究的基础上 ,鉴于支持向量机在进行模式识别时所具有的优良性能 ,提出利用支持向量机进行键入特性的验真 ,并通过实验将其与BP,RBF,PNN和 L VQ四种神经网络模型进行对比 ,证实采用 SVM进行键入特性验真的有效性 ,因而其具有广阔的应用前景 .

算法随机性置信支持向量机及其签名认证

根据 Kolmogorov算法随机性理论 ,描述定义了具有置信判别能力的置信学习机器 .利用普通支持向量学习机器中的 L agrangian系数 ,从系数基本的物理内涵出发 ,近似实现了 Kolmogorov算法随机性理论定义的普适不可计算的随机性描述函数 .并由此定义了学习的置信度 ,使得支持向量学习机在学习判断对象类别的同时能够给出该次判断的可信程度 ,丰富了学习机器的输出信息 .将置信支持向量机用于认证手写签名的特征向量 。

最小二乘支持向量机构造的函数链接型神经网络在滚动轴承故障诊断中的应用

提出一种用最小二乘支持向量机(least squares support vector machine,LS-SVM)构造函数链接型神经网络(functional link artificial neural networks,FLANN)的滚动轴承故障诊断系统。介绍了相关原理和具体算法,并给出了滚动轴承故障诊断系统模型。首先,采用LS-SVM模型核函数代替常规FLANN模型的扩展函数,避免了扩展函数选择的任意性;其次,利用LS-SVM学习模型得到FLANN权重系数,避免了BP方法多次迭代寻优存在的耗时长、局部极小及迭代设置初值依赖经验等不足;最后,构造了多层LS-SVM-FLANN结构,对多类滚动轴承故障进行诊断。具体实验表明,用LS-SVM构造FLANN的滚动轴承故障识别系统精度高、鲁棒性好、实现简单。

小波变换和支持向量机相融合的ECG身份识别

为了提高心电图(ECG)信号的身份识别正确率,提出一种小波变换和支持向量机相融合的ECG身份识别方法 (IWT-ABC-SVM)。采用一种小波阈值函数对ECG进行去噪处理,提取ECG特征,将ECG特征输入到支持向量机中进行学习,采用人工蜂群算法优化支持向量机参数,建立ECG的身份识别模型,采用MIT-BIH心电图数据进行仿真测试。仿真结果表明,相对于其他识别方法,IWT-ABC-SVM提高了ECG身份识别的正确率和可靠性。

小波变换和支持向量机相融合的ECG身份识别算法

心电图信号(ECC)受到设备、检测者心情等影响,含有噪声且特征具有高维性,为了提高了身份识别的正确率,提前出一种小波变换和支持向量机相融合的ECG身份识别算法.首先小波变换对采集的心电图信号进行预处理,消除各种噪声;然后采用相关分析对ECG特征进行降维处理,消除冗余特征;最后将特征向量输入到支持向量机进行训练,建立基于ECG的身份识别模型.仿真结果表明,该方法提高了身份识别正确率和速度,有一种有效的身份识别算法.

一种基于支持向量机的数字音频认证方法

提出一种基于数字水印技术的音频内容认证方法.选取稳定的梅尔倒谱特征构造特征向量,利用支持向量机自适应地选取合适的帧进行水印的嵌入和提取.结果表明,算法在保证嵌入水印的不可感知性的同时,能够有效地区分恶意的内容篡改和非恶意的常规信号处理操作,准确地定位篡改发生的位置.

基于支持向量机的4G室内物理层认证算法

针对传统的物理层安全算法没有充分利用信道特性这一问题,提出一种物理层信道检测方案。针对4G无线信道的本质特性,结合假设检验方法,利用支持向量机(SVM)对信道向量指标进行挖掘,从而判决是否存在仿冒攻击者。仿真实验中,所提算法在线性核函数下的判决准确率为98%以上,在径向基函数(RBF)下的判决准确率为99%以上。实验结果表明,所提算法能够充分利用空间不同位置的无线信道特性,实现逐条信息源的认证,增强系统的安全性。

一种基于支持向量机的多生物特征融合身份识别方法研究

融合人脸和指纹等特征信息进行身份认证识别。在对人脸图像使用主成分分析法降维和Herr-like方法特征提取、对指纹图像进行细节特征点提取的基础上,采用支持向量机进行融合识别。同时,采用一种改进的高斯核函数构造支持向量机。实验结果表明,该方法有效地提高了识别率和泛化能力。

基于振动信号EMD分解与支持向量机的有载分接开关机械故障诊断

本文中作者将经验模态分解与支持向量机算法引入到有载分接开关机械故障识别领域。通过对有载分接开关振动信号进行经验模态分解,并选取前5个本征模态函数的能量作为输入特征参量,利用支持向量机算法对有载分接开关弹簧储能不足、触头松动、触头磨损3种机械故障进行了识别,同时比较了不同核函数对支持向量机分类结果的影响。

基于支持向量机的生物医学文献蛋白质关系抽取

从生物医学文献中抽取蛋白质(基因)交互作用关系对蛋白质知识网络的建立、蛋白质关系的预测以及新药的研制等均具有重要的意义.提出了一种基于支持向量机(SVM)的蛋白质(基因)交互作用关系抽取方法.该方法除了选取词项特征、关键词特征、实体距离特征、链接特征外,还利用链接语法分析方法可以获得较高准确率的特性,引入链接语法分析方法抽取结果特征.实验结果表明,该方法的召回率性能与使用同一测试语料的其他系统相比具有明显的优势,综合分类率F指标也高于其他系统.

基于支持向量方法和击键序列的主机入侵检测

击键特征是一种能反映用户行为的动态特征,可作为识别用户的信息源。传统方法不仅要求收集大量击键样本来建立识别模型,并且同时需要正例样本与反例样本。但在实际应用中,需要用户提供大量的训练样本是不现实的,并且反例样本收集比正例样本收集困难。为此,提出一种新的以击键序列为信息源的主机入侵检测模型。在小样本和仅有正例的情况下,通过One-Class支持向量机(OCSVM)来训练检测模型,通过对用户的击键行为是否偏离正常模型来检测入侵。仿真实验结果表明该模型具有较好的检测效果。

基于优化TQWT及孪生SVM的有载分接开关机械故障诊断

为进一步提高有载分接开关(on-load tap changer,OLTC)机械状态监测的准确性,文中基于优化品质因数可调小波变换(tunable quality wavelet transform,TQWT)对OLTC切换过程中的振动信号进行了分析。即使用人工鱼群算法(artificial fish swarm algorithm,AFSA)基于分解余量与整体正交系数研究了TQWT的优化分解方法,计算得到了OLTC振动信号的多个子序列,构建了基于优化孪生支持向量机(twin support vector machine,TWSVM)的OLTC机械故障诊断模型。对某CM型OLTC正常与典型机械故障下振动信号的分析结果表明,所提优化TQWT分解方法有效提高了OLTC振动信号分解结果的准确性。相对于其他诊断模型,所构建AFSA-TWSVM的OLTC机械故障诊断模型分类效果好且收敛速度更快。

基于支持向量机和混沌序列的空域图像双水印

为解决图像同时具有版权保护和内容认证需求问题,提出了一种基于支持向量机的鲁棒水印和混沌序列与LSB相结合的脆弱水印的双重图像水印算法。利用图像邻域像素之间的相关性,通过训练回归型支持向量机模型实现鲁棒水印图像嵌入或提取操作。然后,再将已嵌入鲁棒水印的载体图像用最低有效位和混沌序列相结合的方法嵌入基于载体图像内容的脆弱水印。实验结果表明,该算法同时实现了图像的版权保护和内容篡改定位,提高了水印系统的安全性。

支持向量机在火灾早期探测中的应用

针对传统火灾探测算法及时性与准确性相互制约的问题,提出以CO与CO2体积分数的比值大小、变化速度以及加速度作为火灾过程特征信息向量,采用支持向量机算法对火灾源进行模式识别。根据国家标准火灾实验要求,选取了4种真实火灾源材料和3种虚假火灾源材料进行火灾实验,实验表明利用支持向量机可以对真假火灾源进行有效识别,其识别率达到98%。与传统火灾算法相比,支持向量机在保证较高准确性的同时,火灾识别的及时性也得到较大改善。

基于图分析和支持向量机的企业网异常用户检测

在企业网络中,若其内部的攻击者获得了用户的身份认证信息,其行为与正常用户将很难区分;而目前研究对于企业网中的异常用户检测方法比较单一,召回率不高。用户的认证活动信息直接反映了用户在网络中与各类资源或人员的交互,基于此,提出一种利用用户认证活动信息来检测网络中异常用户的方法。该方法利用用户的认证活动生成用户认证图,之后基于图分析方法提取认证图中的属性,如图的最大连通组件的大小、孤立认证的数量等,这些属性反映了用户在企业网中的认证行为特征。最后利用有监督的支持向量机(SVM)对提取到的图属性进行建模,以此来间接识别和检测网络中的异常用户。在提取了用户图向量之后,具体对训练集和测试集、惩罚参数、核函数取不同值的情况进行了分析。通过对这些参数的调节,召回率、精确率和F1-Score均达到80%以上。实验数据表明,该方法能够有效检测企业网络中的异常用户。

支持向量机的中文电子邮件作者识别研究

电子邮件已经成为当今人们最重要的通信方式之一。但随之而来的电子邮件骚扰、诈骗等现象日益严重,对邮件作者的识别有助于营造绿色、安全的电子邮件通信环境。文章首先提出向量空间模型针对电子邮件作者的写作风格提取特征向量,然后运用支持向量机算法构造作者风格分类器,从而构造出作者身份识别模型。最后,实验结果显示识别准确率达到95%以上,该方法在识别中文电子邮件作者身份上具有较高的可靠性。

自适配权重特征融合的持续身份认证

针对现有智能手机用户身份认证方法的不足,提出了一种自适配权重特征融合的持续身份认证方法。设计了一种卷积神经网络,对手机内置传感器(加速度计、陀螺仪、磁力计)获取的用户行为信息数据进行深度特征提取及融合。通过网络中3个子网络流分别提取3种传感器特征,在特征融合层加权融合,各特征的权值会在网络学习过程中根据不同特征的贡献度实现自适应分配。融合特征经过特征选择之后,使用单分类支持向量机进行用户分类认证。实验结果表明:该方法对不同用户身份认证获得的等错误率为1.20%,与现有其他认证方法相比具有更好的认证准确性。

基于手机加速度异常极值处理的步态身份识别

针对手机加速度信号预处理后仍有小范围异常极值的现象,提出一种基于四分位数去除异常极值的新方法。该方法利用四分位数特性优化信号,削弱了极端值和异常值的影响来提高识别准确率。首先,在福坦莫大学无线数据挖掘实验室开放的公用数据集中筛选步态为步行的数据,将数据经过滤波算法过滤后,采用本文所提方法进行异常值处理,随后进行模板划分以及时域与频域特征的提取,最后实现身份识别。此外,自行采集人体真实步行数据进行实验验证。实验结果表明,在公用数据集和自采数据集上,与未经本文算法处理的数据相比,本文所提方法在支持向量机、BP神经网络和级联森林3种分类模型上均能提高识别准确率,当采用级联森林分类器时,准确率分别达到99.31%和99.23%。

基于上采样单分类的智能手机手势密码隐式身份认证机制

现有智能手机往往使用广泛且存储有敏感信息,一旦丢失会造成巨大的安全隐患,故数据安全的重要性日益凸显。鉴于传统认证策略的脆弱性,提出了一种基于上采样单分类的隐式身份认证机制。首先,融合使用了时间、二维及三维等多类手机内置传感器从不同维度采集用户的行为特征。其次,为降低高维数据所含噪声对分类的影响,提出了一种精选特征并降维的行为特征筛选方法,对所提取的特征进行向量排序、筛选以及降维。特别地,考虑到现有基于二分类算法方案的局限性,采用SVM SMOTE对正样本数据进行上采样,并提出了基于单分类的认证决策机制,以在单类小规模训练集上实现分类。最后基于实际的样本集进行性能测试,结果表明,所提方案在准确率、FAR、FRR与AUC指标上的表现部分优于使用大规模数据进行训练的传统KNN二分类器。

基于机器学习的灵活链接肽位点预测方法研究

灵活链接肽是固有无序蛋白和固有无序片段所具有的重要分子功能之一。为了对灵活链接肽这一功能位点进行预测,提出了以序列保守性和溶剂可及性为特征的支持向量机算法进行训练和预测的方法。从蛋白质的一级序列出发,以序列上邻近残基的信息作为输入特征,采用支持向量机方法构建预测模型,来预测灵活链接肽的功能位点,预测精度AUC值达到0.7181。实验结果表明:蛋白质序列作为输入信息,结合支持向量机算法进行蛋白质灵活链接肽的功能位点预测是有效的。