期刊文献+
共找到760篇文章
< 1 2 38 >
每页显示 20 50 100
基于多核集成学习的跨项目软件缺陷预测 预览
1
作者 黄琳 荆晓远 董西伟 《计算机技术与发展》 2019年第6期27-31,共5页
软件缺陷预测的目的是通过历史缺陷数据预测新软件模块的缺陷倾向性,从而提高软件系统的质量。软件的缺陷模块存在结构复杂和类别分布不平衡的问题,并且历史数据是有限的。针对这些问题,提出了一种多核集成学习的跨项目软件缺陷预测方... 软件缺陷预测的目的是通过历史缺陷数据预测新软件模块的缺陷倾向性,从而提高软件系统的质量。软件的缺陷模块存在结构复杂和类别分布不平衡的问题,并且历史数据是有限的。针对这些问题,提出了一种多核集成学习的跨项目软件缺陷预测方法。跨项目软件缺陷预测是解决项目初期缺陷预测缺乏数据集的有效途径。多核学习方法能够将不同特性的核函数进行组合,使数据在新的特征空间中得到更好的表达,提高预测精度。集成学习方法能够解决类别分布不平衡问题。考虑到在软件缺陷预测中将有缺陷模块预测为无缺陷模块的风险远远大于将无缺陷模块预测为有缺陷模块,在计算误差时引入了代价敏感矩阵。使用NASA和AEEEM这两个数据库来评估所有比较方法的性能,实验结果表明,提出的算法能够达到很好的效果。 展开更多
关键词 跨项目缺陷预测 多核学习 集成学习 代价敏感学习 有监督学习
在线阅读 下载PDF
基于互信息加权集成迁移学习的入侵检测方法 预览
2
作者 胡健 苏永东 +3 位作者 黄文载 肖鹏 刘玉婷 杨本富 《计算机应用》 CSCD 北大核心 2019年第11期3310-3315,共6页
入侵检测系统(IDS)已成为网络安全体系结构中的必要组成部分。在面对现代网络安全需求时,现有的入侵检测方法的可行性和持续性仍然存在提高空间,主要体现在更早地发现入侵威胁和提高入侵检测系统的检测精准度,为此提出一种基于互信息加... 入侵检测系统(IDS)已成为网络安全体系结构中的必要组成部分。在面对现代网络安全需求时,现有的入侵检测方法的可行性和持续性仍然存在提高空间,主要体现在更早地发现入侵威胁和提高入侵检测系统的检测精准度,为此提出一种基于互信息加权的集成迁移学习(ETL)入侵检测方法。首先,通过迁移策略对多组特征集进行建模;然后,使用互信息度量在迁移模型下特征集在不同域中的数据分布;最后,根据度量值对多个迁移模型进行集成加权,得到集成迁移模型。该方法通过学习新环境下的少量有标记样本和以往环境下的大量有标记样本的知识,可以建立效果优于传统非集成、非迁移的入侵检测模型。使用基准NSL-KDD数据集对该方法进行评估,实验结果表明,所提方法具有良好的收敛性能,并提高了入侵检测的精准率。 展开更多
关键词 入侵检测 迁移学习 互信息 集成学习 加权集成
在线阅读 下载PDF
基于树木整体图像和集成迁移学习的树种识别 预览
3
作者 冯海林 胡明越 +1 位作者 杨垠晖 夏凯 《农业机械学报》 EI CAS CSCD 北大核心 2019年第8期235-242,279共9页
为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用AlexNet、VggNet-16、Inception V3及ResNet 50这4种在ImageNet大规模数据集上预训练的模型对图像进行特征提取... 为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用AlexNet、VggNet-16、Inception V3及ResNet 50这4种在ImageNet大规模数据集上预训练的模型对图像进行特征提取,然后迁移到目标树种数据集上,训练出4个不同的分类模型,最后通过相对多数投票法和加权平均法建立集成模型。构建了一个新的树种图像数据集——TreesNet,基于该数据集,设计了多类实验,并将该方法与传统的图像识别方法进行了分析比较。实验结果表明:该方法对复杂背景下树种图像识别准确率达到99.15%,对于树木整体图像识别具有较好的效果。 展开更多
关键词 树种识别 迁移学习 图像识别 深度学习 集成学习
在线阅读 下载PDF
基于选择性集成模型库的选择性催化还原脱硝系统自适应建模
4
作者 饶德备 谭鹏 +4 位作者 李胜男 曹楠 张成 方庆艳 陈刚 《中国电机工程学报》 EI CSCD 北大核心 2019年第19期5817-5823,共7页
选择性催化还原(selectivecatalyticreduction,SCR)脱硝系统动态建模对优化喷氨控制、降低NOx排放和氨逃逸有着重要意义。基于机器学习的燃煤电站SCR脱硝系统建模方法在精度上具有优势,但大多数模型缺乏自学习或自适应更新机制,难以在... 选择性催化还原(selectivecatalyticreduction,SCR)脱硝系统动态建模对优化喷氨控制、降低NOx排放和氨逃逸有着重要意义。基于机器学习的燃煤电站SCR脱硝系统建模方法在精度上具有优势,但大多数模型缺乏自学习或自适应更新机制,难以在长期运行中保持有效性。针对SCR脱硝系统动态特性随负荷与煤质参数变化的问题,提出选择性集成模型库算法,包含基于分时段数据的模型库构建方法、基于选择性实时误差权重法的结合策略和基于模型评价方法的模型库更新策略。采用某660MW燃煤发电机组SCR系统50天运行数据对所提出的模型进行训练、测试以及验证,并与传统自适应建模方法进行对比研究。当传统自适应模型失效时,所提出的模型库仍能保持较高精度。结果表明,选择性集成模型库在预测精度、鲁棒性和稳定性上均有明显优势。 展开更多
关键词 选择性催化还原 机器学习 集成学习 自适应学习
DNA4mcEL:基于核苷酸信息特征计算分析与预测DNA N^4-甲基胞嘧啶位点
5
作者 龚浩 樊永显 《中国生物化学与分子生物学报》 CAS CSCD 北大核心 2019年第6期633-647,共15页
N^4-甲基胞嘧啶(N^4-methylcytosine,4mC)是一种重要的表观遗传修饰,在DNA的修复、表达和复制中发挥重要作用。准确鉴定4mC位点有助于深入研究其生物学功能和机制,由于4mC位点的实验鉴定即耗时又昂贵,特别是考虑到基因序列的快速积累,... N^4-甲基胞嘧啶(N^4-methylcytosine,4mC)是一种重要的表观遗传修饰,在DNA的修复、表达和复制中发挥重要作用。准确鉴定4mC位点有助于深入研究其生物学功能和机制,由于4mC位点的实验鉴定即耗时又昂贵,特别是考虑到基因序列的快速积累,迫切需要补充有效的计算方法。因此,提供一个快速、准确的4mC位点在线预测平台十分必要。目前,还未见对构建必要的预测模型所需的不同特征的机器学习(machine learning,ML)方法进行全面的分析和评估。我们构建多组特征集,并且采用5种ML方法 (如随机森林,支持向量机,集成学习等),提出一种称为'DNA4mcEL'的预测方法。在随机10折交叉验证测试下与现有的预测器相比,DNA4mcEL预测C. elegans、D. melanogaster、A. thaliana、E. coli、G. subterraneus、G. pickeringii 6个物种的精度均有提高。基于本方法的预测器DNA4mcEL在这项任务中显著优于现有的预测器。我们希望通过这个综合调查和建立更准确模型的策略,可以作为激发N^4-甲基胞嘧啶预测计算方法未来发展的有用指南,加快新N^4-甲基胞嘧啶的发现。DNA4mcEL的独立版本可以从https://github.com/kukuky00/DNA4mcEL.git免费获得。 展开更多
关键词 N^4-甲基胞嘧啶 机器学习 集成学习 DNA N^4-甲基胞嘧啶机器学习
基于进化多目标优化的选择性集成学习软测量建模 预览
6
作者 金怀平 黄思 +3 位作者 王莉 陈祥光 潘贝 李建刚 《高校化学工程学报》 EI CAS CSCD 北大核心 2019年第3期680-691,共12页
常规集成学习软测量方法忽略了输入变量选择的多样性,而且没有对基模型进行修剪,从而造成集成模型复杂度高、预测性能受限。为此,提出一种基于进化多目标优化(EMO)的选择性集成学习(SE)高斯过程回归(GPR)软测量建模方法,称为 EMO-SEGPR... 常规集成学习软测量方法忽略了输入变量选择的多样性,而且没有对基模型进行修剪,从而造成集成模型复杂度高、预测性能受限。为此,提出一种基于进化多目标优化(EMO)的选择性集成学习(SE)高斯过程回归(GPR)软测量建模方法,称为 EMO-SEGPR。该方法融合输入特征扰动,通过结合 bootstrapping随机重采样和偏互信息相关分析(PMI)构建多样性输入变量子集,并据此建立多样性 GPR 基模型。然后,基于 EMO 算法对 GPR 基模型进行集成修剪,从而获得一组集成规模较小、多样性和准确性较高的基模型。最后,引入集成学习策略实现 GPR 基模型的融合。将EMO-SEGPR 方法应用于青霉素发酵过程和 Tennessee Eastman 化工过程,实验结果表明了该方法的有效性和优越性。 展开更多
关键词 软测量 集成学习 输入特征扰动 集成修剪 进化多目标优化 高斯过程回归
在线阅读 下载PDF
用于软件缺陷预测的集成模型 预览
7
作者 胡梦园 黄鸿云 丁佐华 《计算机科学》 CSCD 北大核心 2019年第11期176-180,共5页
软件缺陷预测的目的是有效地识别出有缺陷的模块。对于类别平衡数据,传统的分类器具有较好的预测效果,但当数据类别比例分布不均衡时,传统的分类器往往偏向于多数类,易使得少数类模块被误分。但是,真实的软件缺陷预测中的数据往往是类... 软件缺陷预测的目的是有效地识别出有缺陷的模块。对于类别平衡数据,传统的分类器具有较好的预测效果,但当数据类别比例分布不均衡时,传统的分类器往往偏向于多数类,易使得少数类模块被误分。但是,真实的软件缺陷预测中的数据往往是类别不平衡的。为了处理软件缺陷中的这种类别不平衡问题,文中提出了基于改进的类权自适应、软投票与阈值移动的集成模型,该模型在不改变原始数据集的情况下,从训练阶段和决策阶段同时考虑处理类别不平衡的问题。首先,在类权值学习阶段,通过类权自适应学习得到不同类的最优权值;然后,在训练阶段,使用前一步得到的最优权值训练3个基分类器,并通过软集成的方法组合3个基分类器;最后,在决策阶段,根据阈值移动模型来做出决策,以得到最终预测类别。为了证明所提方法的有效性,实验采用NASA软件缺陷标准数据集和Eclipse软件缺陷标准数据集进行预测,并在相同的数据集上将其与近年提出的几种软件缺陷预测方法在召回率值Pd、假正例率值Pf和F 1度量值F-measure方面进行了对比。实验结果表明,所提方法的召回率Pd平均提高了0.09,在F 1度量值F-measure上平均提高了0.06。因此,文中提出的处理软件缺陷预测中类别不平衡问题的方法的整体性能优于其他软件缺陷预测方法,具有较好的预测效果。 展开更多
关键词 软件缺陷预测 类权自适应 软投票 集成学习 软集成 阈值移动
在线阅读 免费下载
基于集成深度学习的雷达信号分选研究
8
作者 金炜东 陈春利 《系统仿真学报》 CAS CSCD 北大核心 2019年第9期1868-1874,共7页
针对目前雷达信号分选方法中难以快速提取到合适的特征,且其准确度较低等问题,提出一种基于集成深度学习模型的信号分选方法。通过堆叠不同类型的深度信念网络改进算法,对雷达辐射源信号进行深入特征学习,将每层模型得到的后验概率进行... 针对目前雷达信号分选方法中难以快速提取到合适的特征,且其准确度较低等问题,提出一种基于集成深度学习模型的信号分选方法。通过堆叠不同类型的深度信念网络改进算法,对雷达辐射源信号进行深入特征学习,将每层模型得到的后验概率进行线性集成学习,再通过决策层确定最终的分类结果,从而进一步提高信号的识别率。采用所提方法对仿真的不同类型的雷达辐射源信号进行分选,实验结果表明,该方法展现出较强的学习到更多数据本质特征的能力;相比于其它信号分选方法,所提方法能显著地提高信号分类的准确率,从而验证了方法的有效性和优越性。 展开更多
关键词 集成学习 深度信念网络 信号分选 线性集成
基于子空间集成的多示例学习算法 预览
9
作者 陈涛 《深圳职业技术学院学报》 CAS 2019年第3期8-12,共5页
文章提出一个基于多个子空间集成的多示例学习算法(MSEMIL),用于解决多示例学习中变换示例空间后获得包特征的高维问题.首先将包向所有示例组成的示例空间映射,得到1个包特征;接着,融合bagging法选取训练样本子集和随机选取特征子集,将... 文章提出一个基于多个子空间集成的多示例学习算法(MSEMIL),用于解决多示例学习中变换示例空间后获得包特征的高维问题.首先将包向所有示例组成的示例空间映射,得到1个包特征;接着,融合bagging法选取训练样本子集和随机选取特征子集,将训练集和测试集划分成多个子空间,在每个子空间上训练生成1个半监督子分类器;集成学习合并多个子分类器的分类结果,得到1个多示例学习集成分类器.在Corel数据集上的实验表明,MSEMIL算法获得了高的分类精度. 展开更多
关键词 模式分类 多示例学习 集成学习 图像分类
在线阅读 免费下载
基于机器学习的住宅能耗预测 预览
10
作者 程亚豪 陈焕新 王江宇 《制冷与空调(北京)》 2019年第5期35-40,共6页
针对机器学习模型在住宅能耗预测领域的应用进行研究。首先在能耗数据集中对住宅能耗的影响因素进行分析,NSM(当前时刻距离当天零时的秒数)与家电能耗的相关性最强,相关系数为0.22,其次是照明能耗,相关系数为0.21。其次提出并讨论4种家... 针对机器学习模型在住宅能耗预测领域的应用进行研究。首先在能耗数据集中对住宅能耗的影响因素进行分析,NSM(当前时刻距离当天零时的秒数)与家电能耗的相关性最强,相关系数为0.22,其次是照明能耗,相关系数为0.21。其次提出并讨论4种家电能耗的数据驱动预测模型:支持向量机、BP神经网络、随机森林和梯度提升机。其中,基于集成学习方法的2个模型--随机森林和梯度提升机是表现性能最好的模型,梯度提升机能耗预测模型在训练集中有最小的均方根误差RMSE(9.99),随机森林能耗预测模型在测试集中有最小的均方根误差RMSE(77.07),集成学习方法在住宅能耗预测方面具有优势。 展开更多
关键词 住宅能耗 预测模型 机器学习 集成学习 数据挖掘
在线阅读 下载PDF
基于迁移学习的数据流分类研究综述 预览
11
作者 周胜 刘三民 《天津理工大学学报》 2019年第3期24-29,37共7页
数据流分类作为数据挖掘领域中的一个重要分支,能够获取数据流中有价值的信息,已成为当下研究热点之一.由于数据流固有特性导致传统的数据流分类方法面临较多难题,如样本标注和概念漂移等.本文分析了增量式和集成式的数据流传统分类方... 数据流分类作为数据挖掘领域中的一个重要分支,能够获取数据流中有价值的信息,已成为当下研究热点之一.由于数据流固有特性导致传统的数据流分类方法面临较多难题,如样本标注和概念漂移等.本文分析了增量式和集成式的数据流传统分类方法的优缺点,在此基础上阐述迁移学习在数据流分类中的可行性和当前的研究进展,归纳出基于迁移学习的数据流分类研究的主要关键问题,指出进一步研究方向. 展开更多
关键词 数据流分类 概念漂移 集成学习 迁移学习
在线阅读 免费下载
基于高通量计算及机器学习的新材料带隙预测
12
作者 徐永林 王香蒙 +5 位作者 李鑫 席丽丽 倪剑樾 朱文浩 张武 杨炯 《中国科学:技术科学》 EI CSCD 北大核心 2019年第1期44-54,共11页
在功能材料应用中,带隙往往起着重要的作用,如光电材料一般为宽带隙半导体,而热电材料为窄带隙半导体,因此对指定类别的材料体系带隙进行快速而准确的预测对于功能材料应用具有非常重要的科学意义.然而,通过基于第一性原理的高通量计算... 在功能材料应用中,带隙往往起着重要的作用,如光电材料一般为宽带隙半导体,而热电材料为窄带隙半导体,因此对指定类别的材料体系带隙进行快速而准确的预测对于功能材料应用具有非常重要的科学意义.然而,通过基于第一性原理的高通量计算获取高精度带隙的方法耗时长,效率低,而实验上系统测量大量材料体系带隙也不现实,所以基于统计学的机器学习预测方法就成了一种有前景的可能性替代方案.本文设计了一种集成学习模型用于有效而准确地预测带隙值.在已计算过带隙值的热电材料类金刚石化合物的基础上,一方面利用单组元组分替换策略产生大批量相似化合物,并用查重技术过滤掉重复体系,得到356个相似材料体系.另一方面结合机器学习技术,构建高效的带隙预测模型,预测并验证了50个相似材料体系的带隙值.通过实验证明,该预测模型具有77.73%的准确率,且足够健壮稳定,可以广泛应用于需要进行大批量带隙预测的热电材料的研究情景中. 展开更多
关键词 类金刚石结构 带隙 组分替换 机器学习 集成学习
类别不均衡学习中的抽样策略研究 预览
13
作者 刘树栋 张可 《计算机工程与应用》 CSCD 北大核心 2019年第21期1-17,共17页
类别不均衡学习在信用评估、客户流失预测、医学诊断、短文本情感分析、标记学习、评分预测等众多领域有广泛的应用,是机器学习研究和应用的热点方向之一,近年来逐渐引起学术界和工业界的广泛关注。目前解决类别不均衡问题主要有三种方... 类别不均衡学习在信用评估、客户流失预测、医学诊断、短文本情感分析、标记学习、评分预测等众多领域有广泛的应用,是机器学习研究和应用的热点方向之一,近年来逐渐引起学术界和工业界的广泛关注。目前解决类别不均衡问题主要有三种方法:数据级解决方法、算法级解决方法和集成解决方法。侧重于对近年来类别不均衡学习中的抽样策略研究进展进行综述,介绍类别不均衡学习的基本框架,对类别不均衡学习中三种主要的抽样策略(过抽样、欠抽样和混合抽样)相关研究进展进行前沿概括、比较和分析,对类别不均衡学习的抽样策略中有待研究的难点、热点及发展趋势进行展望。 展开更多
关键词 不均衡学习 集成学习 欠抽样 特征选择 支持向量机 合成少数类过抽样技术 混合抽样
在线阅读 下载PDF
基于多层数据分析框架的半导体加工周期预测 预览
14
作者 汤珺雅 李莉 《计算机集成制造系统》 EI CSCD 北大核心 2019年第5期1086-1092,共7页
为了在大数据环境下利用制造数据对半导体加工周期进行准确预测,针对传统预测模型准确性和泛性上的不足提出一种多层数据分析框架,基于该框架实现加工周期预测算法,利用某半导体生产线数据建立预测模型,检验了该预测方法的有效性并与多... 为了在大数据环境下利用制造数据对半导体加工周期进行准确预测,针对传统预测模型准确性和泛性上的不足提出一种多层数据分析框架,基于该框架实现加工周期预测算法,利用某半导体生产线数据建立预测模型,检验了该预测方法的有效性并与多种常用方法进行了比较。结果表明,基于多层数据分析框架的半导体加工周期预测方法有效提高了模型的准确性和泛性。 展开更多
关键词 加工周期预测 半导体制造 多层数据分析框架 机器学习 集成学习
在线阅读 下载PDF
基于ELM改进层集成架构的时间序列预测 预览
15
作者 樊树铭 覃锡忠 +2 位作者 贾振红 牛红梅 王哲辉 《计算机工程与设计》 北大核心 2019年第7期1915-1921,共7页
为进一步提高时间序列预测模型的预测精度和时间效率,提出一种基于极限学习机的层集成网络结构。以极限学习机网络作为基学习器,构成两层集成网络,每层网络在构建时利用先分类,再从类中选优的思想同时考虑基学习器的准确性与多样性,其... 为进一步提高时间序列预测模型的预测精度和时间效率,提出一种基于极限学习机的层集成网络结构。以极限学习机网络作为基学习器,构成两层集成网络,每层网络在构建时利用先分类,再从类中选优的思想同时考虑基学习器的准确性与多样性,其中第一层用以优化参数,第二层实现预测。对比实验结果表明,与基于多层感知器的层集成网络相比,该模型在提高预测准确度的同时将学习用时缩短了1-2个数量级。 展开更多
关键词 时间序列预测 极限学习机 集成学习 聚类 自助采样
在线阅读 下载PDF
不平衡学习在电力设备故障诊断中的应用 预览
16
作者 袁帅 张慧丽 +2 位作者 王晓燕 王涵 赵波 《信息与电脑》 2019年第9期38-40,共3页
针对电力设备中正常类数量多、故障类数量少的特点,传统分类方法不易取得较好效果。笔者提出将不平衡学习应用与故障诊断。根据数据特征引入不平衡学习算法,介绍不平衡学习算法的常用方法,即抽样、集成学习算法和融合不平衡的集成学习算... 针对电力设备中正常类数量多、故障类数量少的特点,传统分类方法不易取得较好效果。笔者提出将不平衡学习应用与故障诊断。根据数据特征引入不平衡学习算法,介绍不平衡学习算法的常用方法,即抽样、集成学习算法和融合不平衡的集成学习算法,并通过实验得到性能最好的故障诊断模型。实验结果表明,自适应合成抽样与极限随机树的融合算法(ADASYN+ET)取得了较好效果,Avg_Acc达到82.53%,G_mean达到80.74%。因此,不平衡学习在电力设备故障诊断中有较好的应用效果。 展开更多
关键词 故障诊断 多类分类 不平衡学习 上抽样 集成学习
在线阅读 下载PDF
基于集成学习的含电气热商业楼宇群的分时电价求解 被引量:2
17
作者 张志义 余涛 +2 位作者 王德志 潘振宁 张孝顺 《中国电机工程学报》 EI CSCD 北大核心 2019年第1期112-125,共14页
当前,越来越多的含电气热商业楼宇配备有各类分布式发电设备,商业楼宇群的负荷构成越来越复杂。针对商业楼宇群分时电价的制定问题,该文在考虑了售电公司和商业楼宇群双方利益后,提出一种分时电价制定的双层优化模型。在该模型中,售电... 当前,越来越多的含电气热商业楼宇配备有各类分布式发电设备,商业楼宇群的负荷构成越来越复杂。针对商业楼宇群分时电价的制定问题,该文在考虑了售电公司和商业楼宇群双方利益后,提出一种分时电价制定的双层优化模型。在该模型中,售电公司通过发布分时电价以及收集商业楼宇的用电信息,实现自身收益最大化;商业楼宇群根据售电公司发布的分时电价制定其考虑舒适度的日前用电计划,实现自身运营成本最低的目标。同时,结合强化学习,提出一种集成学习算法和单纯形法相结合的混合优化方法,实现模型的求解,通过算例结果验证其对降低商业楼宇运行成本和提高售电公司收益的有效性。 展开更多
关键词 含电气热商业楼宇群 分时电价模型 强化学习 集成学习
基于多核学习的自适应DDoS攻击检测方法 预览
18
作者 张晨 唐湘滟 +2 位作者 程杰仁 董哲 李俊麒 《计算机工程与科学》 CSCD 北大核心 2019年第8期1381-1389,共9页
分布式拒绝服务DDoS攻击是互联网安全的主要威胁之一。当前大多数检测方法采用单一特征,在大数据环境下不能有效地检测DDoS早期攻击。提出了一种基于多核学习的特征自适应DDoS攻击检测方法FADADM,根据DDoS攻击流量的突发性、地址的分布... 分布式拒绝服务DDoS攻击是互联网安全的主要威胁之一。当前大多数检测方法采用单一特征,在大数据环境下不能有效地检测DDoS早期攻击。提出了一种基于多核学习的特征自适应DDoS攻击检测方法FADADM,根据DDoS攻击流量的突发性、地址的分布性以及通信双方的交互性定义了5个特征。基于集成学习框架,分别提出采用增大同类方差与异类均值差的比值IS/M和减少同类方差与异类均值差的比值RS/M的方式自适应地调整各特征值的权重,基于简单多核学习SimpleMKL模型训练出IS/M-SimpleMKL和RS/M-SimpleMKL2种具有不同特性的多核学习模型,以识别DDoS早期攻击。实验结果表明,本文方法能够快速、准确地检测DDoS早期攻击。 展开更多
关键词 多核学习 DDOS攻击 自适应 集成学习
在线阅读 下载PDF
基于AdaBoost的弹性网型正则化多核学习算法 预览
19
作者 任胜兵 谢如良 《计算机工程》 CAS CSCD 北大核心 2019年第10期189-195,共7页
在正则化多核学习中,稀疏的核函数权值会导致有用信息丢失和泛化性能退化,而通过非稀疏模型选取所有核函数则会产生较多的冗余信息并对噪声敏感。针对上述问题,基于AdaBoost框架提出一种弹性网型正则化多核学习算法。在迭代选取基本分... 在正则化多核学习中,稀疏的核函数权值会导致有用信息丢失和泛化性能退化,而通过非稀疏模型选取所有核函数则会产生较多的冗余信息并对噪声敏感。针对上述问题,基于AdaBoost框架提出一种弹性网型正则化多核学习算法。在迭代选取基本分类器时对核函数的权值进行弹性网型正则化约束,即混合L 1范数和L p范数约束,构造基于多个基本核最优凸组合的基本分类器,并将其集成到最终的强分类器中。实验结果表明,该算法在保留集成算法优势的同时,能够实现核函数权值稀疏性和非稀疏性的平衡,与L 1-MKL和L p-MKL算法相比,能够以较少的迭代次数获得分类精度较高的分类器。 展开更多
关键词 集成学习 多核学习 弹性网型正则化 弱分类器 稀疏性
在线阅读 下载PDF
基于多个在线核极限学习机的并行模型训练算法 预览
20
作者 沈哲钧 凌志扬 《智能计算机与应用》 2019年第2期57-62,共6页
针对传统数据处理技术对多个极限学习机的训练问题,由于串行数据处理方式中,会造成时间复杂度的增加,根据大数据的特征以及数据处理技术,提出基于MapReduce的多个在线核极限学习机模型的并行算法,可使一个MapReduce作业完成多个模型的... 针对传统数据处理技术对多个极限学习机的训练问题,由于串行数据处理方式中,会造成时间复杂度的增加,根据大数据的特征以及数据处理技术,提出基于MapReduce的多个在线核极限学习机模型的并行算法,可使一个MapReduce作业完成多个模型的预测。通过算例测试验证了本文的基于MapReduce集成算法可以有效地提高模型的准确度和实时的训练速度。 展开更多
关键词 在线极限学习机 集成学习 MAPREDUCE 并行算法
在线阅读 免费下载
上一页 1 2 38 下一页 到第
使用帮助 返回顶部 意见反馈