增強型GEPSVM分類器設計及其在入侵檢測中的應用研究.pdf

1、為克服傳統(tǒng)支持向量機不能處理交叉數(shù)據(jù)分類問題，Mangasarian等人提出一種新的分類方法GEPSVM(Proximal Support Vector Classification via Generalized Eigenvalues)，該方法可有效解決交叉數(shù)據(jù)兩分類問題，但未解決多分類問題，亦未討論樣本結(jié)構(gòu)，且分類需要大量有標記樣本。另一方面，隨著數(shù)據(jù)采集和存儲技術的發(fā)展，在如入侵檢測等許多實際應用中，常會有大量無標記樣本，而有標

2、記樣本只占很小比例，為了更好的處理此類問題，目前在機器學習領域逐漸形成了一種新的機器學習方法半監(jiān)督學習（Semi-Supervised Learning）。
　　 本文將圍繞支持向量機、半監(jiān)督學習及其在入侵檢測中的應用三個方面展開研究。主要工作包括以下方面：
　　 1. 提出了基于GEPSVM的多分類方法MGEPSVM，采用一對多的思想將GEPSVM推廣至多類，解決了GEPSVM不能處理多類分類的問題，并探討訓練樣本比例

3、與分類精度之間關系。在人工交叉數(shù)據(jù)集及UCI數(shù)據(jù)集上的測試結(jié)果表明，MGEPSVM與傳統(tǒng)SVM分類性能相當，且當訓練樣本比例小時，效果更優(yōu)。
　　 2. 提出了基于軟劃分的多分類方法SMGEPSVM，在RFRC(Robust FuzzyRelational Classifier)基礎上進行多類分類，避免直接根據(jù)類標號進行分類易忽略樣本結(jié)構(gòu)而導致錯誤分類，且避免欠擬合現(xiàn)象發(fā)生。實驗結(jié)果表明分類精度及推廣泛化性都得到較大提高。

4、>　　 3. 提出了基于FKN(Fuzzy K-nearest Neighbors)的半監(jiān)督多類最接近支持向量機分類方法(SemiMGEPSVM)，選擇更能代表數(shù)據(jù)集分布的訓練樣本，不僅可以解決交叉型問題，而且擬合樣本分布，有效解決半監(jiān)督多類分類問題，更符合實際情況。
　　 4. 提出了基于屬性約簡的MGEPSVM和SemiMGEPSVM入侵檢測算法，并在KDDCUP99數(shù)據(jù)集上進行了實驗比較和分析。實驗結(jié)果表明可用少量有標簽