基于随机k-近邻集成算法的网络流量入侵检测

为了提高网络入侵检测模型的准确率与泛化性,提出基于随机k-近邻集成算法的网络流量入侵检测模型。首先,该模型提出一种集成赋权距离,来提高预测精度;其次,采用一种随机策略的集成方法对k-近邻模型进行集成,从而提高了其在异常检测过程中的全局和局部优化能力;然后,利用并行计算的方法提高了算法运行的效率;最后,构建了基于随机k-近邻集成算法的网络入侵检测模型,并采用KDD99数据集进行实验。实验结果表明,基于随机k-近邻集成算法相对于其他模型具有更好的检测效果,准确率和召回率分别达到99.05%和91.96%。

基于改进K-近邻算法的电视剧点播量预测方法

及时、准确地预测电视剧点播量为商业决策提供很大帮助。传统时间序列预测需要大量历史数据,很难满足及时、准确的预测需求。提出一种基于改进K-近邻算法的电视剧点播量预测方法,改进了K-近邻模型,并融入缩放技术和相关系数,结合百度搜索数据和点播量序列的相关性,以前一周每天的点播量为特征,预测电视剧后一天的点播量。在PPTV和优酷数据集上进行实验,比用K-近邻的方法在MAE和MAPE上分别提高了75.5%、95.3%和71.8%、99.3%。

面向城市轨道交通智能运维的数据耦合性与独立一致性研究

[目的]智能运维背景下,现有算法准确度低,导致虚警率高,因此有必要开展列车运营数据的耦合性分析与独立一致性研究。[方法]从统计和数据驱动的角度对耦合性与独立一致性进行定义;根据加速度绝对值变化率将列车运行状态分为4个阶段:静止、平稳运行、起动加速及制动减速,并分别生成对应数据切片综合分位图、相关系数等方法;对牵引系统、制动系统累计正线运营数据进行分析,量化系统间的耦合关系;通过构建线性回归模型、支持向量机模型、LightGBM模型和K-近邻模型对于数据进行解耦处理,使牵引制动系统数据呈现正态性,相关变量服从独立性与一致性,以满足联合条件概率分布的前置条件。[结果及结论]数据解耦操作能够提升系统间原始数据的独立一致性;从工程实用角度出发,LightGBM模型在实时与离线状态下表现出最优的性能,在所有量化分析中均取得了50%及以上的优化率;采用解耦后的数据,能够在故障样本较少或者缺失的情况下,实现对潜在故障的预警功能,能有效降低智能运维的虚警率,同时提升故障预测的准确性。

基于非单一类型的组合模型在回归分析中的应用

本文研究的是非单一类型的组合模型应用于回归预测的问题.利用不同类型的子模型来构建组合模型,最大程度上减小了子模型间的相关性,得到了具有更好泛化能力的组合模型这一结果,在预测分析中具有重要的指导意义.

基于标签传播半监督学习的电压暂降源识别

针对带标签(类别已知)的电压暂降历史样本数据有限且不易获得的情况,引入基于标签传播半监督学习的电压暂降源识别方法。首先从电压暂降信号中提取了五类暂降信号特征,建立了K-近邻图模型,并实现了图模型上的标签传播。分析了图模型参数k、α对标签传播结果的影响,同时与神经网络、最小二乘支持向量机等监督学习算法的识别结果进行了对比。仿真结果表明,在历史数据较少的情况下,标签传播算法比传统监督学习算法具有更高的识别准确率且实时性好。

基于KNN模型的增量学习算法

KNN模型是k-近邻算法的一种改进版本,但其属于非增量学习算法,从而限制它在一些应用领域的推广.文中提出一个基于KNN模型的增量学习算法,它通过对模型簇引进"层"的概念,对新增数据建立不同"层"的模型簇的方式对原有模型进行优化,达到增量学习的效果.实验结果验证该方法的有效性.