基于聚類分析的電力通信網絡流量分類算法研究.pdf_第1頁

文檔簡介

1、本學位論文來自于國家電網公司“電力通信網絡智能管道多維感知技術研究及應用”科技項目,研究目標為面向業(yè)務的流量識別與感知,主要內容為基于期望最大化(Expectation Maximization,EM)算法的網絡流量識別算法研究,將EM算法引入流量識別中改善分類性能。
  針對EM算法易受初始化影響的缺點,提出一種基于Z限制矩陣和Tsallis熵的EM改進算法。此算法在分析了通用組件模型和獨立混合模型這兩種混合模型的優(yōu)缺點,結合二

2、者的特性構建出一個限制矩陣Z,利用此限制矩陣Z和基于Tsallis熵的q參數確定性退火期望最大化(q-DAEM,q-Deterministic Annealing Expectation Maximization)算法構建出新的算法,在Moore采集的網絡集上驗證實際的流量識別效果,結果表明此算法在增加部分計算量同時取得了比EM,DAEM都要好的分類效果。
  針對EM算法構建的高斯混合模型易受離群值影響的特點,提出一種基于中值位

3、置和基于秩的散布陣估計的空間EM算法?;跈E圓分布中均值和協(xié)方差均值崩潰點低,易受離群值影響的問題,將均值與分布替換成空間中值和秩協(xié)方差矩陣,在Moore采集的網絡集上驗證實際的流量識別效果,結果表明此算法對于識別率較低的ATTACK流量有明顯的識別效果。
  全文共分為五章,主要內容為:
  第一章簡介課題背景及研究意義,闡述流量識別的基本原理,分析幾種常見的流量識別技術,著重介紹了用于流量識別的機器學習,同時給出論文的章

4、節(jié)安排。
  第二章概述EM算法,分析EM算法中的不足之處,并介紹幾種已有的EM改進算法。
  第三章提出一種新的基于Z限制矩陣和Tsallis熵的EM改進算法,并在Moore集上采用精細指標考察其實際的流量識別效果。
  第四章提出一種基于中值位置和秩散布陣估計得新的空間EM改進算法,并在Moore集上基于ATTACK業(yè)務驗證算法的穩(wěn)健性,對離群值的不敏感性。
  最后一章總結本學位論文的研究工作,分析不足之處

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,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,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