基于CMABC參數(shù)優(yōu)化的SVM多分類入侵檢測方法研究.pdf_第1頁
已閱讀1頁，還剩54頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

1、隨著互聯(lián)網(wǎng)絡(luò)的發(fā)展，信息安全越來越受到人們的重視，入侵檢測技術(shù)已經(jīng)成為信息安全中一項非常重要的技術(shù)。支持向量機(Support VectorMachine，SVM)能克服入侵檢測系統(tǒng)中普遍存在的檢測率低、誤報率高的問題，非常適合用于入侵檢測系統(tǒng)。
　　針對SVM的參數(shù)選擇決定了它的學習性能和泛化能力，其性能很大程度上取決于參數(shù)懲罰因子C和核參數(shù)go本文分析了參數(shù)之間的關(guān)系和它們對SVM性能的影響，在人工蜂群算法的基礎(chǔ)上引入交叉突變

2、算子，提出基于交叉突變的人工蜂群優(yōu)化SVM的算法。人工蜂群(Artifical beecolony，ABC)算法是一種新的群智能優(yōu)化算法，模擬自然界蜜蜂采蜜的過程，蜜蜂根據(jù)不同的分工完成各階段的任務，通過食物源信息的收集與共享尋找問題的最優(yōu)解，它具有參數(shù)少、實現(xiàn)簡單等優(yōu)點，交叉算子的引入有效的減少了陷入局部最優(yōu)解的風險。
　　傳統(tǒng)SVM是解決二分類問題，不能滿足多分類入侵檢測的需要，本文分析了常用的多分類SVM方法，對于基于二叉樹

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論