收藏本站
《华中师范大学》 2016年
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机的混合增量学习算法与应用

王会波  
【摘要】:支持向量机(Support Vector Machine, S VM)是建立在统计学理论基础上的一种机器学习方法,其拥有坚实的理论基础。它在解决小样本、高纬度、非线性模式识别学习问题中有较多优势。其实质上是一个二次规划求解问题。本文的研究重点是基于支持向量机的增量学习算法研究及其在网络入侵上的应用。在分析了支持向量机在对增量学习行为上面的不足,以及现有的一些增量学习算法的不足,提出了一种新的基于支持向量机的增量学习算法,即基于余弦相似度与函数距离的SVM增量学习算法,简称CSFD-ISVM.该算法的主要核心思想是利用样本集分布特点与历史训练结果来尽量的减少样本的数量。本文中提出了几种方法来筛选样本与加快样本筛选的过程。主要工作与创新总结如下:1)基于支持向量机的思想,最终的决策面只与少数支持向量有关,因此可以预取样本中的准支持向量,这样就可以大大减少参与训练的样本数,加快训练速度。提出了一种通过类别质心与余弦角度的样本预选策略。由大数定律,在大量样本中随机挑选一定数量样本的质心是逼近整体样本质心的,因此提出了使用随机抽取一定比例样本代替整体样本来计算样本余弦值的方法。在此基础上,本文提出了基于余弦相似度与函数距离的增量学习算法。实验结果表明:基于余弦相似度与函数距离的增量学习算法有效的降低了训练时间,同时又可以提升训练精度。2)通过对增量学习前后样本分布的变化进行分析发现:历史样本中的有用信息除了支持向量,还有同样非常重要的边界非支持向量,针对边缘向量的提取,本文提出了一种基于余弦相似度与函数距离的预取策略,并且通过实验分析了算法中函数距离的容忍因子对增量学习的影响,表明该方法对增量学习的精度有较明显的提升。通过UCI标准数据集与其它数据集的仿真实验结果表明,本文提出的基于余弦相似度与函数距离预取策略的增量学习算法是可行的和有效的。最后将其应用到网络入侵检测,通过KDD CUP99数据仿真实验,本文提出的混合增量学习算法在训练速度与检测速度上都有不错的表现,而且保持高检测率与低误报率,因此很适合用来训练入侵检测中的分类模型。
【学位授予单位】:华中师范大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TP181

【相似文献】
中国期刊全文数据库 前10条
1 卢家海;;基于在线增量学习支持向量机的径流预测[J];水利科技与经济;2017年07期
2 秦玉平;王秀坤;王春立;;实现兼类样本类增量学习的一种算法[J];控制与决策;2009年01期
3 秦玉平;李祥纳;王秀坤;王春立;;支持向量机加权类增量学习算法研究[J];计算机工程与应用;2007年34期
4 秦玉平;李祥纳;王秀坤;王春立;;基于超球支持向量机的类增量学习算法研究[J];计算机科学;2008年08期
5 朱婷;滕桂法;陆浩;张长利;曾大军;;基于在线增量学习的自适应聚焦爬虫研究[J];计算机应用与软件;2009年05期
6 刘新旺;殷建平;张国敏;罗棻;詹宇斌;;基于最小二乘支持向量机的特征增量学习算法[J];计算机工程与科学;2008年12期
7 曾文华,马健;支持向量机增量学习的算法与应用[J];计算机集成制造系统-CIMS;2003年S1期
8 郭雪松;孙林岩;徐晟;;基于超球结构的支持向量机增量学习算法[J];运筹与管理;2007年04期
9 忽丽莎;王素贞;陈益强;胡春雨;蒋鑫龙;陈振宇;高兴宇;;基于目标均衡度量的核增量学习跌倒检测方法[J];计算机应用;2018年04期
10 李曼;李云;;云计算平台上基于选择性集成的增量学习研究[J];南京邮电大学学报(自然科学版);2012年05期
中国重要会议论文全文数据库 前7条
1 张健沛;李忠伟;杨静;;一种基于多支持向量机的并行增量学习方法(英文)[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
2 张庆彬;吴惕华;刘波;;一种改进的基于群体的增量学习算法[A];第二十六届中国控制会议论文集[C];2007年
3 秦亮;唐静;史贤俊;肖支才;;一种改进的支持向量机增量学习算法[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
4 马后锋;樊兴华;;一种改进的增量贝叶斯分类算法[A];2007'仪表,自动化及先进集成技术大会论文集(一)[C];2007年
5 刘欣;章勇;王娟;;增量学习的TFIDF_NB协同训练分类算法[A];中国电子学会第十六届信息论学术年会论文集[C];2009年
6 王悦凯;吴晓峰;翁巨扬;;Where-What网络增量学习特性探究[A];第一届全国神经动力学学术会议程序手册 & 论文摘要集[C];2012年
7 韩久琦;柯昂;孟桂芳;张华亮;周瑾;王常勇;;基于神经网络迁移学习和增量学习的脑电信号分类[A];第四届全国神经动力学学术会议摘要集[C];2018年
中国博士学位论文全文数据库 前10条
1 唐庭龙;支持向量机增量学习研究[D];浙江工业大学;2018年
2 王庆凤;基于多语义任务与多标签增量学习的胸部影像辅助诊断方法研究[D];中国科学技术大学;2019年
3 及歆荣;面向无线传感器网络的核学习机分布式训练方法研究[D];北京工业大学;2017年
4 黄静华;支持向量机算法研究及在气象数据挖掘中的应用[D];中国矿业大学(北京);2011年
5 胡蓉;增量机器学习算法研究[D];南京理工大学;2013年
6 秦玉平;基于支持向量机的文本分类算法研究[D];大连理工大学;2008年
7 陈桂军;基于支持向量机的异常检测关键问题研究及应用[D];太原理工大学;2016年
8 段华;支持向量机的增量学习算法研究[D];上海交通大学;2008年
9 王洪波;单分类支持向量机的学习方法研究[D];浙江大学;2012年
10 孙宇;针对含有概念漂移问题的增量学习算法研究[D];中国科学技术大学;2017年
中国硕士学位论文全文数据库 前10条
1 王会波;基于支持向量机的混合增量学习算法与应用[D];华中师范大学;2016年
2 刘向;支持向量机增量学习算法的研究与应用[D];长沙理工大学;2016年
3 林宣民;基于局部敏感哈希和支持向量机的半监督增量学习研究[D];浙江工业大学;2017年
4 田敏皓;基于增量学习的安检机危险品检测算法研究[D];中北大学;2019年
5 廖星宇;基于无监督增量学习的跨域行人重识别[D];中国科学技术大学;2019年
6 李天琦;基于机器学习的网络流量分类研究[D];北京邮电大学;2019年
7 马敏敏;基于支持向量机的增量学习研究与实现[D];中国石油大学(华东);2017年
8 熊霖;集成式增量学习分类算法研究[D];重庆师范大学;2019年
9 周炜;基于密度覆盖的增量学习方法研究[D];安徽建筑大学;2019年
10 李挺;基于增量学习的工业控制系统入侵检测研究[D];南华大学;2018年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026