基于调整互信息的二进制协议一类分类算法

发布时间：2021-11-24 05:40

　　为解决未知协议种类繁多、聚类结果不能涵盖所有协议的问题,提出一种基于调整互信息的一类分类算法。采用改进的k-means聚类,构建目标样本的合理覆盖模型,计算每个聚类中心的调整互信息阈值,得到各个聚类中心的调整互信息值,对不同聚类互信息阈值进行比较,并通过实验验证了算法的有效性。实验结果表明:与其他传统的一类分类方法相比,该方法在二进制协议一类分类中取得了较好的结果。 

【文章来源】：兵工自动化. 2020,39(06)

【文章页数】：5 页

【部分图文】：

与第1个聚类中心的调整互信息值

同理计算第2个聚类中心与所有样本的调整互信息值，得到的结果分布如图2所示。各参数设置如下：第1个聚类中心值为[7,6,6,7,3,0,3,0,0,0,0,1,0,0,0,1,0,0,0,0,0,0,0,0,0,5,5,6,5,6,5,6,5,5,5,6]，互信息阈值f2min=0.260，经计算共46条协议符合要求。同理计算第3个聚类中心与所有样本的调整互信息值，得到的结果分布如图3所示。各参数设置如下：第1个聚类中心值为[0,5,0,0,6,6,7,7,0,4,8,8,0,0,0,2,5,14,5,12,10,5,5,9,0,0,0,0,0,0,0,0,8,6,6,7]，互信息阈值f3min=0.384 8，经计算共50条协议符合要求。

同理计算第3个聚类中心与所有样本的调整互信息值，得到的结果分布如图3所示。各参数设置如下：第1个聚类中心值为[0,5,0,0,6,6,7,7,0,4,8,8,0,0,0,2,5,14,5,12,10,5,5,9,0,0,0,0,0,0,0,0,8,6,6,7]，互信息阈值f3min=0.384 8，经计算共50条协议符合要求。同理计算第4个聚类中心与所有样本的调整互信息值，得到的结果分布如图4所示。各参数设置如下：第1个聚类中心值为[3,1,3,2,10,4,2,7,12,4,9,6,8,6,8,7,10,3,5,6,11,3,8,7,5,0,0,0,0,1,2,2,7,6,8,8]，互信息阈值f4min=0.053 6，经计算共28条协议符合要求。

【参考文献】：
期刊论文
[1]最小化误差平方和k-means初始聚类中心优化方法[J]. 周本金,陶以政,纪斌,谢永辉.  计算机工程与应用. 2018(15)
[2]基于高斯模型的液氨储罐泄漏扩散仿真分析[J]. 王洪德,莫朝霞.  中国安全科学学报. 2012(09)
[3]新型背景混合高斯模型[J]. 白向峰,李艾华,李喜来,李仁兵.  中国图象图形学报. 2011(06)
[4]基于联合概率密度判别器和神经网络技术的煤种辨识方法[J]. 谭丞,李晓敏,徐立军,吴煜婷.  机械工程学报. 2010(18)
[5]基于一类分类的聚类方法及其应用[J]. 李焕荣,林健.  计算机工程. 2005(10)



本文编号：3515347