检索结果-内蒙古大学图书馆

作者：王勇南昌工程学院

学位级别：硕士

21世纪,科技进步为通信行业带来了前所未有的发展机遇,同时也加剧了运营商间的竞争。为了在激烈的市场竞争中立足,运营商纷纷将追求最大利润作为经营重心。研究表明,在通信行业中,相较于投入大量资源吸引新客户,保留老客户对于实现利润... 详细信息

21世纪,科技进步为通信行业带来了前所未有的发展机遇,同时也加剧了运营商间的竞争。为了在激烈的市场竞争中立足,运营商纷纷将追求最大利润作为经营重心。研究表明,在通信行业中,相较于投入大量资源吸引新客户,保留老客户对于实现利润最大化更具价值。因此,预测并防止电信客户流失已成为电信公司的核心任务。在电信客户流失预测中,数据挖掘技术发挥着重要作用。其中,分类算法能够利用电信客户的历史数据构建相关模型,有效预测客户流失的可能性,从而为电信公司制定更为精准的策略提供有力支持。然而,电信客户历史数据中往往存在流失客户数量少于未流失客户的问题,这导致了客户流失类别的不平衡,进而影响了分类算法的识别率。为解决电信客户流失中的类不平衡问题并提升传统分类算法对少数类的识别能力,本文从数据采样算法的角度提出了两种创新的分阶段采样算法。这些算法旨在优化数据分布,提高分类算法的准确性,从而进一步提升客户流失预测系统的预测效果。以下是本文的主要研究成果: (1)提出了一种新的分阶段过采样TRPS-DER算法(即Triangular region presampling and Differential evolution resampling)。该算法分为两个阶段,第一阶段采用三角区域预采样方法合成少数类样本,第二阶段利用利用差分进化算法对合成的少数类样本的属性进行优化,并利用集成学习策略对第一阶段合成少数类样本和差分进化算法优化的少数类样本进行预测。基于混淆信息的反馈,筛选出表现最佳的样本,有效地处理了不平衡分类问题。 (2)提出了一种新的分阶段欠采样DOR框架(即Denoising,Optimized fuzzy C-means clustering,and Representative sample selection)以解决不平衡分类问题。该框架分为三个阶段。第一阶段通过邻域清洗规则去噪,旨在为后续的聚类质量提升打下坚实基础;第二阶段采用优化的模糊c均值聚类算法对多数类聚类;第三阶段通过基于径向函数的代表性样本选择算法来选择更具代表性的样本,以提高分类性能。该算法具有减轻噪声干扰和防止多数类样本被过度剔除的优点,从而能有效地解决数据集不平衡问题。

关键词：电信客户流失预测不平衡分类过采样算法欠采样算法

来源：评论

学校读者我要写书评

暂无评论

基于生成式模型的不平衡分类算法研究

基于生成式模型的不平衡分类算法研究

引用

作者：周颖哈尔滨工业大学

学位级别：硕士

不平衡问题是指在数据集中不同类别的数据分布不均匀,而传统的分类算法是基于数据大致平衡的假设,因而对少数类数据关注度不够,忽略了它们蕴含的珍贵信息,影响分类效果。研究者分别从数据层面和算法层面提出了相应的解决方案并取得了一... 详细信息

不平衡问题是指在数据集中不同类别的数据分布不均匀,而传统的分类算法是基于数据大致平衡的假设,因而对少数类数据关注度不够,忽略了它们蕴含的珍贵信息,影响分类效果。研究者分别从数据层面和算法层面提出了相应的解决方案并取得了一定的效果。其中,数据层面解决方案是作为数据预处理的一部分,其通过采样算法对数据分布进行调整使其平衡,应用范围更加广泛。但是在数据层面解决方案中,针对多数类数据进行欠采样可能会导致信息损失;针对少数类数据进行随机过采样无法保证过采样前后数据分布一致性;基于概率分布函数的过采样需要假设数据分布形式,算法受限。除此之外,单独过采样算法产生的数据仅仅保证了样本平衡性,不能确保提高分类器性能。针对以上问题,本文进行了以下3个方面的研究:针对不平衡率无法体现数据分布的问题,本文提出了一种改进广义不平衡度衡量指标,本文对广义不平衡度中计算近邻均值的过程进行距离加权,并计算正负子集均值的乘积而非广义不平衡率中的差值,提高了不平衡指标与分类结果的相关性。针对基于数据分布的过采样算法需要假设数据分布形式的问题,提出了一种基于变分自编码器的过采样方法,以变分自编码器作为数据分布的拟合函数,基于数值型的数据特征和非数值型的数据特征的分开生成的策略,生成具有数值型数据特征的少数类数据,增大了基于数据分布的过采样算法的使用范围,提高了分类器的分类性能。针对单独过采样算法产生的样本无法确保提高分类器性能的问题,本文提出了一种基于变分自编码器的过采样分类框架,使用增量型的逻辑回归分类器来对变分自编码器所生成的样本质量转换为期望分类器的分类效果,创造性地提出了生成和分类的联合训练框架,有针对性地根据期望分类器的分类效果来调整生成器的参数以确保生成样本对分类器的提升作用,将样本合成过程融合在分类器训练过程中,且不需要设定过采样率,避免不当的过采样率对分类造成负面作用。实验结果验证了基于变分自编码器的过采样分类框架,可以提高了少数类数据的F1值。

关键词：不平衡问题过采样算法不平衡指标变分自编码器

来源：评论

学校读者我要写书评

暂无评论

基于深度信念网络的入侵检测算法研究

基于深度信念网络的入侵检测算法研究

引用

作者：逯玉婧河北师范大学

学位级别：硕士

随着网络的广泛普及与应用,网络安全的关注度持续升温,已经上升至国家战略层面。入侵检测技术是网络安全学科的重要组成部分,是一种有效的网络安全防护措施。传统入侵检测技术存在着检测方法单一、检测性能差、自适应能力低等问题。由... 详细信息

随着网络的广泛普及与应用,网络安全的关注度持续升温,已经上升至国家战略层面。入侵检测技术是网络安全学科的重要组成部分,是一种有效的网络安全防护措施。传统入侵检测技术存在着检测方法单一、检测性能差、自适应能力低等问题。由于网络规模日益扩大、网络攻击手段呈现多样化以及新漏洞不断出现,传统入侵检测技术已无法满足当前网络安全需要。深度信念网络是机器学习领域的一门前沿技术,具有非线性的网络结构以及能够抽取数据的本质特征等优点,已在计算机视觉、语音识别、自然语言处理等领域取得瞩目的成果。将深度信念网络(Deep Belief Networks,DBN)引入到入侵检测领域以解决当前网络安全面临的问题变得极为迫切。本文主要完成了下述几方面的工作:(1)提出基于自适应深度信念网络的入侵检测算法针对入侵检测要求具有较高的自适应能力,传统深度信念网络中对比散度算法采样容易陷入局部最优值以及训练过程中对学习率参数敏感等问题,提出基于自适应深度信念网络的入侵检测算法。首先,从统计力学的角度分析深度信念网络的组成部件受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)模型能量变化趋势。其次,为了克服固定经验式学习率致使系统不稳定问题,提出一种基于能量变化的学习率寻优策略。最后,将并行回火算法与该寻优策略相结合,提出基于自适应深度信念网络的入侵检测算法——ADBN(Adaptive Deep Belief Networks)。通过实验验证,该算法有效提高了入侵检测的检测率等指标。(2)提出基于深度信念网络与随机森林的入侵检测算法针对入侵行为种类多,高维网络数据特征提取困难以及误报率高等问题,结合深度信念网络与集成算法的优势,提出基于深度信念网络与随机森林的入侵检测算法——DBN-RFS(Deep Belief Networks-Random Forests)。该算法利用多层的非线性结构进行特征提取,将高维的网络数据映射到低维空间。在特征提取过程中,抽取不同隐藏层的特征构成组合特征。最后将组合特征输入到随机森林中进行入侵检测识别。实验结果表明,该方法有效提高入侵检测的检测率,并降低了误报率。(3)提出面向不平衡网络数据的混合入侵检测模型针对网络数据具有入侵行为分布不平衡的特殊性,传统入侵检测算法存在对少数类入侵行为检测率低等问题,提出一种面向不平衡网络数据的混合入侵检测模型。该模型的数据预处理模块中,引入针对少数类数据提出改进的SMOTE算法(Synthetic Minority Over-sampling Technique)——ITFSMOTE(Improved Trigonometric Function Synthetic Minority Over-sampling Technique)。该算法在少数类数据合成时,采用三角选择算子及优胜劣汰思想,从而提高了少数类数据的选择概率。在模型的入侵检测模块使用本文提出的入侵检测算法进行入侵行为识别。实验结果表明,该模型可以有效提高少数类入侵行为的检测率,降低了误报率。

关键词：入侵检测深度信念网络受限玻尔兹曼机随机森林过采样算法

来源：评论

学校读者我要写书评

暂无评论

多尺度卷积与双注意力机制融合的入侵检测方法

引用

辽宁工程技术大学学报（自然科学版） 2024年第1期43卷 93-100页

作者：陈虹李泓绪金海波辽宁工程技术大学软件学院辽宁葫芦岛125105

为提高互联网入侵检测方法的准确率,提出一种卷积神经网络与注意力机制结合的入侵检测方法。利用Borderline-SMOTE过采样算法和MinMax归一化对数据进行预处理,有效缓解入侵数据量差异较大问题,提升非平衡数据检测性能;使用卷积神经网络I... 详细信息

为提高互联网入侵检测方法的准确率,提出一种卷积神经网络与注意力机制结合的入侵检测方法。利用Borderline-SMOTE过采样算法和MinMax归一化对数据进行预处理,有效缓解入侵数据量差异较大问题,提升非平衡数据检测性能;使用卷积神经网络Inception结构多尺度对数据进行特征提取,并配合注意力机制进行维度更新,提高模型处理海量数据时特征表达的准确性。研究结果表明:入侵检测方法的平均准确率为99.57%;相较于SVM方法、CNN方法、RNN方法、BLS-GMM方法,准确率分别提升了4.48%、1.35%、1.62%和0.04%,召回率分别提高了4.48%、1.36%、1.62%和0.14%。

关键词：入侵检测卷积神经网络注意力机制过采样算法非平衡数据

来源：评论

学校读者我要写书评

暂无评论

基于深度循环神经网络和改进SMOTE算法的组合式入侵检测模型

引用

网络与信息安全学报 2018年第7期4卷 48-59页

作者：燕昺昊韩国栋国家数字交换系统工程技术研究中心河南郑州450002

已有入侵检测模型普遍只针对网络入侵行为的静态特征进行分析检测,造成检测率低及误报率高等缺陷,且无法有效应用低频攻击。为此提出一种新的基于深度循环神经网络(DRNN)和区域自适应合成过采样算法(RA-SMOTE)的组合式入侵检测模型(DRRS... 详细信息

已有入侵检测模型普遍只针对网络入侵行为的静态特征进行分析检测,造成检测率低及误报率高等缺陷,且无法有效应用低频攻击。为此提出一种新的基于深度循环神经网络(DRNN)和区域自适应合成过采样算法(RA-SMOTE)的组合式入侵检测模型(DRRS)。首先,RA-SMOTE对数据集中低频攻击样本进行自适应区域划分,实现差别样本增量,从数据层面提升低频攻击样本数量;其次,利用DRNN特有的层间反馈单元,完成多阶段分类特征的时序积累学习,同时多隐层网络结构实现对原始数据分布的最优非线性拟合;最后,使用训练好的DRRS模型完成入侵检测。实验结果表明,相比已有入侵检测模型,DRRS在改善整体检测效果的同时显著提高了低频攻击检测率,且对未知新型攻击具有一定检出率,适用于实际网络环境。

关键词：网络安全深度学习入侵检测循环神经网络过采样算法

来源：评论

学校读者我要写书评

暂无评论

基于过采样支持向量机的煤与瓦斯突出预测

引用

科学技术与工程 2021年第28期21卷 12080-12087页

作者：万宇齐金平张儒闫森兰州交通大学机电技术研究所兰州730070

基于机器学习的煤与瓦斯分类预测方法中,各突出案例的数量不平衡会导致预测准确率降低。为了提升煤与瓦斯突出预测模型的准确率及稳定性,构建了过采样算法和支持向量机(support vector machine,SVM)组合的分类预测模型。首先,通过聚类... 详细信息

基于机器学习的煤与瓦斯分类预测方法中,各突出案例的数量不平衡会导致预测准确率降低。为了提升煤与瓦斯突出预测模型的准确率及稳定性,构建了过采样算法和支持向量机(support vector machine,SVM)组合的分类预测模型。首先,通过聚类分析将突出样本分成多个簇,在每个簇中对可能的噪声点按概率去除;然后通过过采样算法合成新样本,以减少样本数量不均衡对模型训练的影响;最后,用支持向量机模型结合粒子群算法对新数据集进行训练调优。实验结果表明:提出的模型在G-mean、曲线下面积(area under curve,AUC)值上均高于传统的分类模型,具有更强的算法鲁棒性,并且随着突出样本数量的减少,其优势更加明显。

关键词：聚类分析支持向量机(SVM) 过采样算法煤与瓦斯突出分类预测

来源：评论

学校读者我要写书评

暂无评论

基于KOA-CNN-LSTM的变压器故障诊断研究

引用

内蒙古农业大学学报(自然科学版) 2024年

作者：王明洋马学军葛丽娟周守航徐志伟吴昊任晓丹内蒙古农业大学机电工程学院北方联合电力有限责任公司呼和浩特热电厂内蒙古机电职业技术学院电气工程系

变压器是电力系统中贵重且重要的电气设备，其稳定运行是电力系统供电可靠性和运行稳定性的重要保障，但变压器故障是不可避免的，及时、准确的故障诊断是变压器安全运行的技术基础。变压器油中溶解气体分析（Dissolved Gas Analysis， ... 详细信息

变压器是电力系统中贵重且重要的电气设备，其稳定运行是电力系统供电可靠性和运行稳定性的重要保障，但变压器故障是不可避免的，及时、准确的故障诊断是变压器安全运行的技术基础。变压器油中溶解气体分析（Dissolved Gas Analysis， DGA）数据的不均衡是影响诊断模型训练精度的重要因素，本文通过安全级过采样法对DGA数据进行增强，同时引入三比值法扩充特征，得出增强后的数据集。对于变压器故障诊断算法方面提出基于开普勒优化算法（Kepler Optimization Algorithm， KOA）的卷积神经网络（Convolutional Neural Network， CNN）-长短期记忆网络（Long Short-Term Memory，LSTM）变压器故障诊断算法。该算法通过CNN提取特征，LSTM提取深层次的特征，通过组合开普勒优化算法以及CNN-LSTM深度学习网络对变压器DGA增强数据集进行深度学习，得出优化诊断模型，以达到较高的诊断准确率。

关键词：变压器故障诊断过采样算法深度学习开普勒优化算法

来源：评论

学校读者我要写书评

暂无评论

基于故障现象文本的水轮机故障诊断研究

引用

水电能源科学 2024年第8期42卷 164-167页

作者：刘海洋祝迪劳鹏飞国能四川大渡河双江口水电开发有限公司四川阿坝624600 湖北清江水电开发有限责任公司湖北宜昌443000 武汉三联水电控制设备有限公司湖北武汉430200

为诊断水轮机故障,基于文本挖掘与机器学习技术,提出了一种基于故障现象文本的水轮机故障诊断模型。该模型首先使用Word2vec将故障文本映射到向量空间,然后将提取的文本特征输入到XGBOOST分类器中进行故障诊断;此外,还使用KmeansSMOTE... 详细信息

为诊断水轮机故障,基于文本挖掘与机器学习技术,提出了一种基于故障现象文本的水轮机故障诊断模型。该模型首先使用Word2vec将故障文本映射到向量空间,然后将提取的文本特征输入到XGBOOST分类器中进行故障诊断;此外,还使用KmeansSMOTE算法来弥补由于数据不平衡造成的分类误差。在一个真实的数据集中进行了模型性能验证,结果表明所提的故障诊断模型的综合性能优于其他对比模型。

关键词：文本挖掘故障诊断模型过采样算法水轮机

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的贫困生分类预测研究

引用

计算机应用与软件 2019年第1期36卷 316-319页

作者：陆桂明张源周志敏华北水利水电大学信息工程学院河南郑州450046 浙江水利水电学院信息工程与艺术设计学院浙江杭州310018

针对高校贫困生认定工作中存在的问题,利用校园一卡通数据,综合学生消费和生活规律,结合XGBoost(Extreme Gradient Boosting)模型和主成分分析法、过采样算法,建立高校贫困生的分类预测方法。该方法在贫困生分类预测中的准确率较高。实... 详细信息

针对高校贫困生认定工作中存在的问题,利用校园一卡通数据,综合学生消费和生活规律,结合XGBoost(Extreme Gradient Boosting)模型和主成分分析法、过采样算法,建立高校贫困生的分类预测方法。该方法在贫困生分类预测中的准确率较高。实验结果证明,采用XGBoost模型比其他模型预测准确率更高,为我国高校贫困学生的评定标准提供重要依据,保证了贫困学生认定工作的公正性。

关键词：主成分分析法过采样算法贫困生 XGBoost模型分类预测

来源：评论

学校读者我要写书评

暂无评论

基于时序特征的网络入侵行为检测驾驶研究

基于时序特征的网络入侵行为检测驾驶研究

引用

作者：李守政哈尔滨工程大学

学位级别：硕士

当前,多数保密单位按照国家保密技术标准和保密认定要求,开展了网络月度安全保密审计工作。信息系统审计与财务审计的作用很相似,两者都是发现问题,堵塞漏洞,侦破案件,震慑不法行为的重要手段。信息审计更是保证全行业安全保密态势可视... 详细信息

当前,多数保密单位按照国家保密技术标准和保密认定要求,开展了网络月度安全保密审计工作。信息系统审计与财务审计的作用很相似,两者都是发现问题,堵塞漏洞,侦破案件,震慑不法行为的重要手段。信息审计更是保证全行业安全保密态势可视化,促进调节监管力度和方向的重要手段。但是当前网络安全保密审计工作无法有效发现违规操作、安全事件、异常事件,特别是泄密事件或隐患,主要原因有,一是网络异常行为隐藏在海量数据中,人工审阅不易发现;二是缺少网络安全异常事件的计算模型,无法实现自动化检测;三是现有安全操作中心、网络和主机审计等工具不能涵盖整网设备及应用,无法实现安全事件关联分析。论文针对数据集当中各类样本分布不均的问题,对于少数分类用例过采样技术进行了研究。提升该部分样本的检测率,以达到整体提升检测性能的目的。分析了传统过采样算法——SMOTE算法,并且基于SMOTE算法过采样导致的分类边界模糊问题,提出了一种新型的过采样算法——EE-SMOTE算法。解决了少数分类样本边界模糊的问题,使得过采样后的数据集边界更加清晰。本文对目前面向网络的入侵检测算法和网络模型进行了研究和总结。利用网络入侵行为具有时序特征的特点,将GRU记忆技术引入RNN网络当中,提出了一种基于记忆和时序共存的网络入侵检测模型——GRU-RNN模型。分分析了攻击的时序性,以及GRU在RNN网络中应用于入侵检测的可行性,提出了一种GRU-RNN网络模型,该模型对检测具有时序特征的攻击行为有较好的支持。网络模型构建时,分析并选取了最优的损失函数、分类函数和优化函数,使得模型的收敛性进一步增强。同时,将EE-SMOTE与GRU-RNN模型结合起来,提出基于时序的不平衡学习入侵检测算法。本文的最后,将入侵检测算法与过采样算法应用在KDD数据集中进行测试与验证,重点围绕算法的收敛性和检测的准确性进行分析。结果表明,与其它不平衡学习方法相比,本算法具有更好的识别率。与其他深度学习网络算法相比,本模型所需要的训练集大大减少,即本算法的收敛性比其他深度学习网络算法更优,在网络安全防护与审计方面具有更好的应用优势。

关键词：入侵检测过采样算法时序神经网络优化函数

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：