期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
一种增量更新模型的新类检测方法
1
作者 赵峰 董育宁 邱晓晖 《智能计算机与应用》 2024年第4期202-208,共7页
开集流识别网络流量分类是网络管理的重要组成部分。为了适应变化的网络环境,已有许多研究瞄准开集流识别,但这些方法不能以增量方式更新模型。针对这一问题,本文提出了一种增量更新级联结构,通过筛选的模拟新类,利用置信度阈值进行新... 开集流识别网络流量分类是网络管理的重要组成部分。为了适应变化的网络环境,已有许多研究瞄准开集流识别,但这些方法不能以增量方式更新模型。针对这一问题,本文提出了一种增量更新级联结构,通过筛选的模拟新类,利用置信度阈值进行新类检测,采用分类器级联的方式逐步包含新出现的类;当级联分类器个数达到设定值时,重新训练多分类器,以此减少分类时间。使用真实数据集对所提方法进行验证,并与代表性文献方法进行对比。结果表明,在分类性能上,本文方法已知类F1和综合性能指标NA均能达到0.9以上;在时间性能上,分类时间和平均模型更新时间显著减少,均优于代表性文献方法,有利于实现快速在线新类检测与分类。 展开更多
关键词 开集流识别 新类检测 模拟新类 增量更新
下载PDF
一种基于ELM算法的在线学习模型
2
作者 吕超 董育宁 邱晓晖 《智能计算机与应用》 2024年第6期110-118,共9页
网络应用程序的多样化对网络流量分类提出了新的挑战。如何在变化的环境中准确地识别已知类和新类流量,然后实现模型在线更新,最后将新类纳入已知类范畴成为了研究的要点。针对这一问题,本文提出了一种基于极限学习机(Ex⁃treme Learning... 网络应用程序的多样化对网络流量分类提出了新的挑战。如何在变化的环境中准确地识别已知类和新类流量,然后实现模型在线更新,最后将新类纳入已知类范畴成为了研究的要点。针对这一问题,本文提出了一种基于极限学习机(Ex⁃treme Learning Machine,ELM)的在线学习模型,使用基于ELM算法的距离度量选择辅助训练样本,根据距离度量阈值进行新类检测,采用串联识别新类的二分类器的方式包含新的流量类别,当串联的分类器数量达到设定值时重新训练模型。在真实网络流数据集上的测试结果显示,本文方法已知类F1和开集总体准确率NA均能达到0.9以上。与代表性文献方法相比,在分类性能和时间性能方面均有更好的表现。 展开更多
关键词 极限学习机 开集流识别 新类检测 辅助训练 在线学习
下载PDF
一种基于信息熵的级联式新类识别方法
3
作者 曾文玺 董育宁 《软件工程》 2023年第11期43-47,共5页
针对传统机器学习在新类识别中存在分类精度较低和分类耗时较长的问题,提出了一种基于信息熵的级联式新类识别方法。利用随机森林的投票机制,计算并统计分析各样本的信息熵,作为新类检测的依据,识别已知类和候选新类样本;通过滤除候选... 针对传统机器学习在新类识别中存在分类精度较低和分类耗时较长的问题,提出了一种基于信息熵的级联式新类识别方法。利用随机森林的投票机制,计算并统计分析各样本的信息熵,作为新类检测的依据,识别已知类和候选新类样本;通过滤除候选新类中的异常流样本,提高分类准确率。实验表明:所提方法在南邮数据集和ISCX数据集的两个实际网络数据集上均能实现约95%的分类准确率,并且单个样本的分类时长仅需0.079 ms;分类精度和时间性能明显优于代表性文献方法。 展开更多
关键词 网络流分类 新类检测 信息熵
下载PDF
有新类的动态数据流分类算法研究 被引量：3
4
作者 武炜杰 张景祥 《计算机科学与探索》 CSCD 北大核心 2021年第1期132-140,共9页
针对有新类的动态数据流分类算法检测新类性能不高的问题,提出一种基于k近邻的完全随机森林算法(KCRForest)。该算法利用动态数据流中已知类样本构建完全随机森林的完全随机树,并根据叶节点平均路径长度将样本空间分成正常区域与异常区... 针对有新类的动态数据流分类算法检测新类性能不高的问题,提出一种基于k近邻的完全随机森林算法(KCRForest)。该算法利用动态数据流中已知类样本构建完全随机森林的完全随机树,并根据叶节点平均路径长度将样本空间分成正常区域与异常区域。通过落入异常区域中样本的k近邻计算该样本离群值。若样本离群值大于设定阈值,则判断样本为新类,否则为已知类。落入异常区域的已知类样本由该样本的k近邻得到样本标签分布,否则取该区域中原训练样本标签分布,投票得到样本标签。当新类样本检测达到一定数量时,利用新类样本信息更新模型,便于检测其他新类。为了验证KCRForest算法检测新类的有效性,分别在4个UCI数据集上进行实验,并与已有算法进行比较。结果表明该算法的新类检测性能优于或与iForest+SVM算法、LOF+SVM算法相当,分类准确率明显高于SENCForest算法。 展开更多
关键词 新类检测 完全随机森林 动态数据流
下载PDF
有噪条件下的新类检测算法 被引量：1
5
作者 曾凡霞 何泽文 张文生 《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2021年第5期682-693,共12页
针对有噪条件下新类检测性能较差的问题,提出一种基于核零空间判别局部保持投影算法(KNDLPP).首先通过核函数将样本隐式映射到高维特征空间,在核空间中利用距离加权机制对样本进行权重赋值,在保持局部结构的同时降低离群噪声样本的影响... 针对有噪条件下新类检测性能较差的问题,提出一种基于核零空间判别局部保持投影算法(KNDLPP).首先通过核函数将样本隐式映射到高维特征空间,在核空间中利用距离加权机制对样本进行权重赋值,在保持局部结构的同时降低离群噪声样本的影响;然后利用样本类内零空间使同类样本坍塌为一点,实现对已知类分布的有效约简;最后基于零空间再求得使类间距最大化的变换矩阵,以上步骤得到一个判别性变换矩阵以刻画样本的分布信息、描述样本之间的相似性.该算法能刻画样本潜在结构,提升已知类与新未知类之间的判别性.在11个公开数据集上的实验结果表明,该算法是有效和鲁棒的,具有较好的新类检测性能.在局部保持性实验中,KNDLPP在4个UCI数据集上的整体平均AUC值为90.656%;在复杂结构保持性实验中,KNDLPP在Banana,Moon及3个UCI数据集上的整体平均AUC值为91.949%;在2个无噪高维数据集的新类检测实验中,KNDLPP平均AUC值为86.214%,高于次优算法4个百分点;在4个UCI数据集的4种有噪条件下,KNDLPP性能排名第1. 展开更多
关键词 核方法 零空间 判别局部保持映射 新类检测
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部