用于不均衡数据集分类的KNN算法

针对KNN在处理不均衡数据集时,少数类分类精度不高的问题,提出了一种改进的算法G-KNN。该算法对少数类样本使用交叉算子和变异算子生成部分新的少数类样本,若新生成的少数类样本到父代样本的欧几里德距离小于父代少数类之间的最大距离,则认为是有效样本,并把这类样本加入到下轮产生少数类的过程中。在UCI数据集上进行测试,实验结果表明,该方法与KNN算法中应用随机抽样相比,在提高少数类的分类精度方面取得了较好的效果。

基于Web的公钥基础设施优化与实现

基于实践,针对传统公钥基础设施的不足,引入XKMS的技术优点,采用Web Service技术对外发布XKMS服务,从而把PKI的复杂性从客户端转移到XKMS服务端,屏蔽了PKI底层的实现过程,降低了部署实施PKI的复杂度。同时,针对传统PKI存在的数据传输安全隐患,应用KNN算法提出了缓存分级加密机制,解决了数据在传输缓存中以明文方式存储的安全隐患。

蜂窝移动网络数据用量预测方法探析

目前,蜂窝移动网络数据用量预测技术与方法上,主要采用统计和深度学习方法,由于用户的蜂窝移动网络数据用量变异较大,所以将可能有较大的蜂窝移动网络数据用量估计误差。因此,本文研究提出一套蜂窝移动网络数据用量预测方法,分析目标客户前几个周期的蜂窝移动网络数据用量集合,预测目标客户下一周期的蜂窝移动网络数据用量,并可依估计的蜂窝移动网络数据用量提供营销信息予客户,增加客户对蜂窝移动网络数据用量的购买量,降低客户费率,增加移动网络运营商收入,建立双赢。在实验中,本研究取得7月份56万个用户记录进行分析,并与传统预测方法进行比较,证实此方法确实较为优越,且平均正确率可达87.97%。