基于近似约简的集成学习算法及其在入侵检测中的应用

发布时间：2017-07-02 22:16

  本文关键词：基于近似约简的集成学习算法及其在入侵检测中的应用

  更多相关文章： 近似约简 集成学习 入侵检测

【摘要】：为了获得较大差异性的基学习器来构建集成学习器,从属性空间划分的角度来考虑集成学习问题,通过粗糙集理论定义了近似约简的概念,进一步提出了基于近似约简的集成学习算法;本方法将数据集的属性空间划分为多个子空间,基于不同子空间对应的数据集训练得到的基学习器具有较大的差异性,从而保证了集成学习器具有较强的泛化性能.为了验证本算法的有效性,本算法被应用于网络入侵检测中.在KDD CUP 99数据集上的实验表明,与传统的集成学习算法相比,本文所提出的算法具有更高的检测率和更低的计算开销,更适合于从海量高维的网络数据中检测入侵.
【作者单位】： 青岛科技大学信息科学与技术学院;中国科学院计算技术研究所;
【关键词】： 近似约简 集成学习 入侵检测
【基金】：国家自然科学基金资助项目(61303193) 山东省自然科学基金资助项目(ZR2014FM015) 山东省高等学校科技计划资助项目(J11LG05)
【分类号】：TP181;TP393.08
【正文快照】： 由于具有良好的泛化性能,近年来集成学习在机器学习和数据挖掘等领域得到了广泛关注[1].Dietterich[2]更是将集成学习列为机器学习领域的四大研究方向之首.在集成学习中,主要有2种方法来产生基学习器:基于训练样本扰动的方法和基于属性空间扰动的方法.对于前者,代表性算法包括

【相似文献】

中国期刊全文数据库 前10条

1 袁汉宁;;双层多示例集成学习[J];武汉理工大学学报(信息与管理工程版);2011年05期

2 俞扬;周志华;;集成学习中完全随机学习策略研究[J];计算机工程;2006年17期

3 张沧生;崔丽娟;杨刚;倪志宏;;集成学习算法的比较研究[J];河北大学学报(自然科学版);2007年05期

4 陈凯;;基于聚类技术的集成学习差异性研究[J];南京工业职业技术学院学报;2008年04期

5 李凯;崔丽娟;;集成学习算法的差异性及性能比较[J];计算机工程;2008年06期

6 潘志松;燕继坤;;少数类的集成学习[J];南京航空航天大学学报;2009年04期

7 陈凯;马景义;;一种选择性SER-BagBoosting Trees集成学习研究[J];计算机科学;2009年09期

8 陈全;赵文辉;李洁;江雨燕;;选择性集成学习算法的研究[J];计算机技术与发展;2010年02期

9 张燕平;曹振田;赵姝;郑尧军;杜玲;窦蓉蓉;;一种新的决策树选择性集成学习方法[J];计算机工程与应用;2010年17期

10 饶峰;;核机器集成学习算法的误差分析[J];重庆文理学院学报(自然科学版);2010年04期

中国重要会议论文全文数据库 前4条

1 关菁华;刘大有;贾海洋;;自适应多分类器集成学习算法[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

2 刘伍颖;王挺;;一种多过滤器集成学习垃圾邮件过滤方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

3 叶红云;倪志伟;陈恩红;;一种混合型集成学习演化决策树算法[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

4 李烨;蔡云泽;许晓鸣;;基于支持向量机集成的故障诊断[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

中国博士学位论文全文数据库 前10条

1 阿里木·赛买提(Alim.Samat);基于集成学习的全极化SAR图像分类研究[D];南京大学;2015年

2 王永明;集成回归问题若干关键技术研究[D];华东师范大学;2015年

3 张春霞;集成学习中有关算法的研究[D];西安交通大学;2010年

4 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

5 尹华;面向高维和不平衡数据分类的集成学习研究[D];武汉大学;2012年

6 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年

7 方育柯;集成学习理论研究及其在个性化推荐中的应用[D];电子科技大学;2011年

8 侯勇;特征提取与集成学习算法的研究及应用[D];北京科技大学;2015年

9 李烨;基于支持向量机的集成学习研究[D];上海交通大学;2007年

10 程丽丽;支持向量机集成学习算法研究[D];哈尔滨工程大学;2009年

中国硕士学位论文全文数据库 前10条

1 高伟;基于半监督集成学习的情感分类方法研究[D];苏州大学;2015年

2 宋文展;基于抽样的集成进化算法研究[D];广西大学;2015年

3 汤莹;迁移与集成学习在文本分类中的应用研究[D];江苏科技大学;2015年

4 刘政;基于知识元和集成学习的中文微博情感分析[D];大连理工大学;2015年

5 丘桥云;结合文本倾向性分析的股评可信度计算研究[D];哈尔滨工业大学;2014年

6 秦海;融合非标记样本选择的集成学习研究[D];湘潭大学;2015年

7 李想;基于多示例的集成学习理论与应用研究[D];合肥工业大学;2014年

8 张妤;支持向量机集成学习方法研究[D];山西大学;2008年

9 李涛;基于条件互信息的集成学习的研究与应用[D];中国海洋大学;2009年

10 杨长盛;基于成对差异性度量的选择性集成学习方法研究[D];安徽大学;2010年

  本文关键词：基于近似约简的集成学习算法及其在入侵检测中的应用

  更多相关文章： 近似约简 集成学习 入侵检测

，

本文编号：511499