基于RBFNN與D-S理論的數(shù)據(jù)融合方法及應用研究.pdf

1、近年來，隨著各種應用需求的不斷增長，數(shù)據(jù)融合技術作為一門新興交叉學科得到飛速發(fā)展和廣泛關注。各種傳感器、信息源所獲得的大量數(shù)據(jù)均希望通過數(shù)據(jù)融合系統(tǒng)相互互補，以獲得對觀測目標更全面、準確、快捷的決策和判斷。
　　 本文所作的工作旨在進一步豐富和深入研究數(shù)據(jù)融合方法和思想，并結合課題需要，重點研究其在網(wǎng)絡入侵檢測中的應用，具體內容和重點概括如下：
　　 文中首先介紹了數(shù)據(jù)融合相關的基礎知識，重點介紹了數(shù)據(jù)融合的層次模型和常

2、用方法，對他們的優(yōu)缺點作了比較；
　　 接著對數(shù)據(jù)融合中兩種使用較普遍的方法——神經網(wǎng)絡和D-S理論進行了深入介紹，重點介紹了RBF神經網(wǎng)絡及其基本原理、學習及訓練算法，同時介紹了D-S證據(jù)理論的相關理論及合成規(guī)則，研究了合成規(guī)則所具有的性質，為后來對這兩種方法的深入研究及在入侵檢測中的應用作了鋪墊；
　　 然后文中第四章在介紹了基于神經網(wǎng)絡網(wǎng)絡的數(shù)據(jù)融合方法之后，針對在有些應用多屬性存在冗余、無用信息特征的問題，提出了

3、結合Fisher分值的改進方法；并進一步結合神經網(wǎng)絡和證據(jù)理論提出兩級融合方法，同時分析了在入侵檢測中的應用；
　　 第五章中主要針對第四章中提出的方法，在入侵檢測領域使用這些作了實驗仿真。其中先介紹了入侵檢測中本文將要牽涉的一些概念和指標及要使用的數(shù)據(jù)集，接著作相關仿真實驗，并對結果作了深刻分析。
　　 實驗結果表明，本文所提出的Fisher_RBF方法在丟棄某些低Fisher分值的特征屬性后不僅能夠保證檢測率，還能使