文档介绍：摘要岢隽艘恢旨蚧摹⒖焖俚亩嗬郤分类器——腔支持向量机为代表的核机器学习得到了快速的发展和广泛的应用。与传统的机器岢隽艘恢帜:嗬嘀С窒蛄炕P汀8梅椒ㄊ窃赪热颂岢龅多类掷嗥髂P椭幸肽:稍焙攵悦扛鍪淙胧荻苑掷嘟峁牟早在世纪年代,人们就开始了基于数据的机器学习问题的研究,直至上个世纪九十年代中期,在等人的努力下,这一学科得到了长足的发展,形成了一门较为完善的统计学习理论,并在此基础上创建了一类全新的通用机器学习算法:支持向量机。统计学习理论中最为实用的部分在于引入了假设函数集容量控制的概念,学习机为了获得更好的泛化能力,需要在假设函数集容量控制与最小经验风险之间做出一个较好的折衷。尽管在统计学习理论出现之前,核函数的概念与技术早已存在,但它在机器学习中真正的成功应用,是从基于统计学习理论的支持向量机开始的。正是统计学习理论与核函数技术的结合,才使得以学习方法相比,泻芏嘤诺悖绕涫嵌杂谥缓醒盗芳难拔侍猓侥前为止,理论和实践都已经证明,支持向量机的泛化能力是最好的。本论文针对支持向量机中目前存在的一些问题,进行了较为深入的研究,对支持向量机方法进行扩展与研究。主要包括:核函数的扩展、多类分类问题的扩展以及应用范围的扩展。本论文的主要工作包括以下方面:碌暮撕墓乖欤绕涫嵌杂诟ǖ奈侍猓绾窝≡裼牍乖斐鲎罴训核函数是一个公开的难题。本文归纳、总结了核函数的基本数学性质;然后利用这些性质,给出核函数的一种一般的构造方法;对于有限维特征空间问题,定义了一种新的特征映射,并提出了“面向数据的核函数”和有限维特征子空间的概念,给出了一种基于核墓乖烀嫦蚴莸暮撕姆椒ǎ辉诖嘶∩希同影响,该模糊成员函数得到相应的值,由此可以得到不同的惩罚值。从而在构造分类超平面时,可以忽略那些对分类结果影响很小的数据。于决策有向无环图和等式约束的嗬喾掷嗥鳌6杂趉类分类问题,它将个改进的郤分类器利用决策有向无环图进行组合。为了提高分出了适用于大规模数据的囊恢衷隽垦八惴ā北京交通大学博士论文
知识水坝***@pologoogle为您整理
类器的训练及决策速度,采用了广义的核函数,并对标准的类掷嗥鹘扑慊缬绕涫腔チM难杆俜⒄褂肫占埃沟猛绨踩丫晌R个全球瞩目的重要研究课题。随着攻击技术的不断进步与更新,迫切需要一种有在对网络连接数据进行深入分析和研究的基础上,提出了基于支持向量机进行入侵检测的方法。本文利用面向数据的核函数对郤进行了改进,并将该方关键词:统计学习理论,支持向量机,结构风险最小化,核函数,面向数据的核函数,多类分类,网络安全,入侵检测行两个方面的改进:对软间隔错误变量采用妒问剑豪玫仁皆际〈坏式约束。在训练阶段,使用含有根的二元有向无环图进行节点的选择,该有向无环图含有个内部节点和鲆督诘恪效的入侵检测技术来保护信息系统的安全。由于几乎所有的攻击与滥用都被记录在系统的网络数据中,所以可以基于计算机系统的网络数据,构造入侵检测系统。法应用于入侵检测问题。摘要
知识水坝***@pologoogle为您整理
琣”甒琣瑃.,北京交通大学博士学位论文,.瓸,.猚—.,.,,瑆琣“甀瓵,/.
篠垒里’贵茫‘,,猚琲猚..瑆,,.,.琽甀琲.,瑆瑆瑃,.甀,,,,
翩虢鳓吼一≠,:毒易勿日期:厶妒牛本人签名:奄易乞日期:.关于论文使用授权的说明独创性声明C艿穆畚脑诮饷芎笥ψ袷卮斯娑获得北京交通大学或其他教学机构的学位或证书而使用过的材料。与我一同本人完全了解北京交通大学有关保留和使用学位论文的规定,即:学校本人声明,所呈交的博士学位论文是我个人在导师黄厚宽教授指导下进行的研究工作及取得的研究成果。尽本人所知,除了文中特别加以标注和致谢的地方外,论文中不含其他人已经发表或撰写过的研究成果,也不包含为工作的同志对本文研究所做的任何贡献均已在论文中做了明确的说明并表示有权保留送交论文的复印件,允许查阅和借阅论文:学校可以公布论文的全部或部分内容,可以采用影印、缩印或其它复制手段保存论文。了谢意。
第一章绪论研究背景,侵咐眉扑慊D馊四缘闹悄苄形#发展,人工智能取得了长足的进步,成为一门广泛的交叉和前沿科学。研究如何使用机器来模拟人类学习活动的一门学科。从最初的基于神经元模型以生,以及之后的认知心理学中归纳、解释、类比等概念的引入,至最新的计算学习理论、统计学习理论和支持向量机学习的兴起。机器学习一直都在相关学科的研究与实际应用中超着主导作用。不同的时期,人们对机器学习有着不同的兴趣。年,赋觯餮暗难芯糠较蛭#毫踊餮啊⒒诜诺于年提出了新的观点,认为机器学习的研究方向为:分类器的集成学习;视糜诤A渴萃诰虻难八惴ǎ基于符号的归纳机器学习:近年来,随着科学技术的飞速发展,尤其是难该歪绕穑髦指餮的海量数据与信息亟待处理,例如莸姆治觥⑼缡荨⒔鹑谟刖檬据的分析与信息安全和