基于半监督学习的物联网用户识别模型分析与研究

发布时间：2021-01-09 04:17

　　随着物联网技术在多个领域的大规模应用,终端用户数量呈快速上升趋势。在享受通信便利的同时,也有个别用户利用物联网特性生成大量虚假用户,不利于行业的健康发展。针对以上现象,文中采用半监督学习的方法,通过研究相关样本数据的特征,建立用户识别模型,对异常用户行为做出及时判断,帮助相关部门、人员采取相应的措施,避免产生较大的损失,节省了大量人力物力,具有广泛的应用前景。 

【文章来源】：物联网技术. 2020,10(11)

【文章页数】：3 页

【部分图文】：

物联网平台组成

第二种方法是将其分为两步,将分类与预测分开。第一步是根据已标注的样本,在大量未标注样本中通过训练找出可靠的负样本集;第二步是通过迭代训练得到一个分类器进行用户识别工作。识别模型工作流程如图2所示。3 用户数据处理

【参考文献】：
期刊论文
[1]机器学习在物联网虚假用户识别中的运用[J]. 张溶芳,许丹丹,王元光,潘思宇,李正茂.  电信科学. 2019(07)
[2]物联网用户界面如何工作[J]. 李荣.  计算机与网络. 2019(12)
[3]基于随机森林的加权特征选择算法[J]. 徐少成,李东喜.  统计与决策. 2018(18)
[4]基于双层采样主动学习的社交网络虚假用户检测方法[J]. 谭侃,高旻,李文涛,田仁丽,文俊浩,熊庆宇.  自动化学报. 2017(03)
[5]基于物联网的用户行为认证机制与分析[J]. 王晓菊,田立勤,赵竞雄.  南京理工大学学报. 2015(01)
[6]基于分类概率加权的朴素贝叶斯分类方法[J]. 张步良.  重庆理工大学学报(自然科学). 2012(07)
[7]随机森林方法研究综述[J]. 方匡南,吴见彬,朱建平,谢邦昌.  统计与信息论坛. 2011(03)
[8]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)
[9]物联网研究与发展综述[J]. 胡向东.  数字通信. 2010(02)
[10]多种策略改进朴素贝叶斯分类器[J]. 张璠.  微机发展. 2005(04)



本文编号：2965954