针对现有入侵检测技术的不足,文章研究了基于机器学习的异常入侵检测系统,将多标记和半监督学习应用于入侵检测,提出了一种基于多标记学习的入侵检测算法。该算法采用"k近邻"分类准则,统计近邻样本的类别标记信息,通过最大化后验概率(maximum a posteriori,MAP)的方式推理未标记数据的所属集合。在KDD CUP99数据集上的仿真结果表明,该算法能有效地改善入侵检测系统的性能。
文章首先对Underlay认知-中继协作(cognitive radio relay cooperation,CR-RC)系统信源和中继的功率分配问题进行了研究,获得了Underlay CR-RC系统信源、中继独立功率分配(independent power allocation,IPA)和联合功率分配(joint power...
详细信息
文章首先对Underlay认知-中继协作(cognitive radio relay cooperation,CR-RC)系统信源和中继的功率分配问题进行了研究,获得了Underlay CR-RC系统信源、中继独立功率分配(independent power allocation,IPA)和联合功率分配(joint power allocation,JPA)方案,并给出了基于IPA和JPA的CR-RC系统的中断概率和各态历经容量的封闭解析解;其次通过对Underlay CR-RC系统中断性能的比较分析,提出了高频谱效率、高能量效率的混合Interweave-Underlay CR-RC方案。在该方案中,定义了主、从用户中断概率约束,充分考虑了主、从系统的服务质量(quality of service,Qo S),当即使从用户的发射功率为零,主系统的Qo S仍不能满足时,从用户以最大功率发送信号,无需考虑其对主用户的影响;当由于很强的主用户干扰,使得从用户的Qo S不能得到满足时,从用户不再发射信号,发信功率为零;当主、从系统的Qo S能够同时满足时,以Underlay模式工作。
暂无评论