支持向量机研究及其在生物特征识别上的应用
发布时间：2021-08-28 20:50
网络信息安全的地位随着互联网技术的普及和蓬勃发展而日益凸显,针对网络信息所发起的网络攻击日益密集,这就给保障网络信息安全的各大门户提出了新的挑战,各大门户均使用人机验证技术来抵御大规模的网络攻击,其中最主要的方案就是验证码技术。随着验证码技术的在各大网站、APP的应用越来越广泛,验证码的破解技术也日趋成熟、低廉,为了防范已经破解验证码技术的网络攻击者,进一步加强网络信息安全,越来越多的研究者开始探究新型的人机验证技术。在这一背景下,本文主要研究在操作鼠标绘制指定轨迹的过程中所产生的生物特征,针对这种生物特征来构造人机识别模型,用以预测提交验证轨迹的是人或是计算机程序。不同于传统的仅依靠对用户模式识别能力的简单判断,加入了生物特征识别的行为式验证码采用双重认证:1)对比用户反馈信息与验证图中隐藏信息的相似程度,目的是判断用户是否对验证图中所示信息具备识别能力;2)根据鼠标在以绘制轨的形式返回验证信息的过程,所产生的生物特征来有效地区分人或者计算机程序。提取了用户的生物特征信息之后如何行之有效地进行人机识别是本文的另一个研究重点,在分析了各类机器学习算法的优缺点之后,本文拟采用支持向量机作...
【文章来源】：重庆理工大学重庆市
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
论文的主要框架结构
2SVM算法及其理论基础11F(x,y)，记(,)tfxa是函数集中使得经验风险()emptRa最小的预测函数。若对任意的ε>0，有：{()}limP()inf()0tlfRaRaε→∞∈>=F(2.14){()}limP()inf()0emptlfRaRaε→∞∈>=F(2.15)如果能够寻找到一个使得经验风险和期望风险收敛到同一个可能的最小值的函数{(,)|1,2......}tfxat=，那么学习过程中的经验风险最小化与期望风险最小化是具备一致性的。如图所示，期望风险R(ω)和经验风险收敛到同一个可能最小的风险值0R(ω)，代表学习过程是一致的。图2.1学习过程一致性定理：学习理论的关键定理学习理论的关键定理是Vapnik和Chervonenkis[65]于1989年共同提出的，数统计学习理论中极其重要的理论基矗设存在常数A和B，能够使得函数集F={f(x,a)|a∈Λ}中的所有函数和给定的概率分布F(x,y)满足下列条件：A≤∫L(y,f(x,a))dF(,y)≤B,a∈Λ(2.16)则经验风险()empRa在整个函数集F上一致单边收敛到期望风险R(a)就是学习过程具有一致性的充要条件，即：limPsup(()())0emptfRaRaε→∞∈>=F(2.17)这一关键定理将学习过程的一致性问题转换为公式(2.17)中所定义的一致收敛问题[77]，这一定理虽然解决了在什么条件下经验风险最小化原则可以保证一致性的关键
重庆理工大学硕士学位论文12问题，但并没有给出满足一致性条件的函数集的选择和构造方法，也没有说明如何估计事件sup(()())fFempRaRaε∈>出现的概率，因此VC维仍然是作为衡量函数集性能的最重要指标。2.1.5结构风险最小化原则结合公式(2.14)和(2.15)来看，当样本数量足够大，即nh较大时，期望风险由经验风险决定，当样本数据量不足，即nh较小时，仅考虑最小化经验风险并不能够保证期望风险也达到最小，此时就需要同时将置信范围也纳入考虑。然而在实际应用的过程中对置信范围的调节通常都很依赖于经验和技巧，这就使得模型的使用难度进一步增大，此时就需要将风险原则换成同时兼顾经验风险和置信范围的结构风险最小化原则(SRM)，从结构风险最小化原则的提出背景可以看出，结构风险最小化原则是对给定样本集的分布函数的逼近程度和逼近函数复杂程度之间的一种折中。将给定函数集合S={f(x,ω),ω∈Λ}分解为一个嵌套的函数子集序列：12SS....S，各个子集的VC维分别为1,....,,....,khhh，任一子集的VC维都是有限的。对于已知的样本数据，下图给出了关于期望风险、置信区间和经验风险分别随函数VC维的变化曲线，可以看出，经验风险()empRω随着函数集VC维h的增加而减小，函数集的学习能力随着函数集VC维的增加而增强，即使样本数量非常有限都能够收敛。但置信风险Φ也会随着函数集VC维h的增加而增大，折中两者的影响就形成了一条凹型的期望风险曲线，而机器学习的目的就是获取函数集中使得期望风险曲线达到最低的函数。图2.2结构风险最小化原则
【参考文献】：
期刊论文
[1]支持向量机核函数选择研究与仿真[J]. 梁礼明,钟震,陈召阳. 计算机工程与科学. 2015(06)
[2]基于最大间隔的决策树归纳算法[J]. 焦树军,安志江. 科技信息. 2011(25)
[3]支持向量机研究进展[J]. 顾亚祥,丁世飞. 计算机科学. 2011(02)
[4]常用核函数的几何度量与几何性质[J]. 罗林开,叶凌君,周绮凤. 厦门大学学报(自然科学版). 2009(06)
[5]基于实时击键序列的主机入侵检测[J]. 高艳,管晓宏,孙国基,冯力. 计算机学报. 2004(03)
博士论文
[1]类内结构支持向量机学习算法研究[D]. 安文娟.北京交通大学 2015
硕士论文
[1]大规模数据样本下的稀疏最小二乘支持向量机研究[D]. 王欣.西安理工大学 2018
[2]滑块式验证码健壮性分析[D]. 江运佳.西南财经大学 2018
[3]多类分类支持向量机在语音识别中的应用研究[D]. 段继康.太原理工大学 2010
[4]支持向量机（SVM）算法及其在脑电逆问题方面的应用[D]. 侯昀.河北工业大学 2007
本文编号：3369222
【文章来源】：重庆理工大学重庆市
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
论文的主要框架结构
2SVM算法及其理论基础11F(x,y)，记(,)tfxa是函数集中使得经验风险()emptRa最小的预测函数。若对任意的ε>0，有：{()}limP()inf()0tlfRaRaε→∞∈>=F(2.14){()}limP()inf()0emptlfRaRaε→∞∈>=F(2.15)如果能够寻找到一个使得经验风险和期望风险收敛到同一个可能的最小值的函数{(,)|1,2......}tfxat=，那么学习过程中的经验风险最小化与期望风险最小化是具备一致性的。如图所示，期望风险R(ω)和经验风险收敛到同一个可能最小的风险值0R(ω)，代表学习过程是一致的。图2.1学习过程一致性定理：学习理论的关键定理学习理论的关键定理是Vapnik和Chervonenkis[65]于1989年共同提出的，数统计学习理论中极其重要的理论基矗设存在常数A和B，能够使得函数集F={f(x,a)|a∈Λ}中的所有函数和给定的概率分布F(x,y)满足下列条件：A≤∫L(y,f(x,a))dF(,y)≤B,a∈Λ(2.16)则经验风险()empRa在整个函数集F上一致单边收敛到期望风险R(a)就是学习过程具有一致性的充要条件，即：limPsup(()())0emptfRaRaε→∞∈>=F(2.17)这一关键定理将学习过程的一致性问题转换为公式(2.17)中所定义的一致收敛问题[77]，这一定理虽然解决了在什么条件下经验风险最小化原则可以保证一致性的关键
重庆理工大学硕士学位论文12问题，但并没有给出满足一致性条件的函数集的选择和构造方法，也没有说明如何估计事件sup(()())fFempRaRaε∈>出现的概率，因此VC维仍然是作为衡量函数集性能的最重要指标。2.1.5结构风险最小化原则结合公式(2.14)和(2.15)来看，当样本数量足够大，即nh较大时，期望风险由经验风险决定，当样本数据量不足，即nh较小时，仅考虑最小化经验风险并不能够保证期望风险也达到最小，此时就需要同时将置信范围也纳入考虑。然而在实际应用的过程中对置信范围的调节通常都很依赖于经验和技巧，这就使得模型的使用难度进一步增大，此时就需要将风险原则换成同时兼顾经验风险和置信范围的结构风险最小化原则(SRM)，从结构风险最小化原则的提出背景可以看出，结构风险最小化原则是对给定样本集的分布函数的逼近程度和逼近函数复杂程度之间的一种折中。将给定函数集合S={f(x,ω),ω∈Λ}分解为一个嵌套的函数子集序列：12SS....S，各个子集的VC维分别为1,....,,....,khhh，任一子集的VC维都是有限的。对于已知的样本数据，下图给出了关于期望风险、置信区间和经验风险分别随函数VC维的变化曲线，可以看出，经验风险()empRω随着函数集VC维h的增加而减小，函数集的学习能力随着函数集VC维的增加而增强，即使样本数量非常有限都能够收敛。但置信风险Φ也会随着函数集VC维h的增加而增大，折中两者的影响就形成了一条凹型的期望风险曲线，而机器学习的目的就是获取函数集中使得期望风险曲线达到最低的函数。图2.2结构风险最小化原则
【参考文献】：
期刊论文
[1]支持向量机核函数选择研究与仿真[J]. 梁礼明,钟震,陈召阳. 计算机工程与科学. 2015(06)
[2]基于最大间隔的决策树归纳算法[J]. 焦树军,安志江. 科技信息. 2011(25)
[3]支持向量机研究进展[J]. 顾亚祥,丁世飞. 计算机科学. 2011(02)
[4]常用核函数的几何度量与几何性质[J]. 罗林开,叶凌君,周绮凤. 厦门大学学报(自然科学版). 2009(06)
[5]基于实时击键序列的主机入侵检测[J]. 高艳,管晓宏,孙国基,冯力. 计算机学报. 2004(03)
博士论文
[1]类内结构支持向量机学习算法研究[D]. 安文娟.北京交通大学 2015
硕士论文
[1]大规模数据样本下的稀疏最小二乘支持向量机研究[D]. 王欣.西安理工大学 2018
[2]滑块式验证码健壮性分析[D]. 江运佳.西南财经大学 2018
[3]多类分类支持向量机在语音识别中的应用研究[D]. 段继康.太原理工大学 2010
[4]支持向量机（SVM）算法及其在脑电逆问题方面的应用[D]. 侯昀.河北工业大学 2007
本文编号：3369222
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3369222.html
