基于机器学习的数字化定密技术研究

发布时间：2020-12-13 19:07

　　自十九届全国代表大会以来,保密工作越来越成为维护国家利益的重要任务。而定密作为保密工作的关键一环,也逐渐成为人们关注的重点。传统的人工定密方式存在着可控制性差、适应性弱、准确度低以及定密效率过低的缺点。而随着人工智能领域的兴起,利用计算机技术建立数字化的定密技术成为了当前保密领域相关学者的研究重点。本文对机器学习理论中支持向量机（SVM）分类算法与最小最大模块化网络（M³）算法进行深入研究与分析,并将支持向量机（SVM）分类算法与最小最大模块化网络（M³）算法相结合提出最小最大支持向量机（M³-SVMs（H））定密技术。通过设计相关的实验对建构的最小最大支持向量机（M³-SVMs（H））定密技术的性能进行验证。通过对比不同定密技术定密工效率（耗时）以及准确性（F1值）,得出结论最小最大支持向量机（M³-SVMs（H））定密技术有良好的定密效率以及准确性。可以有效地应用于定密工作中。 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景
    1.2 国内外相关研究
        1.2.1 文本分类相关研究
        1.2.2 数字化定密技术相关研究
    1.3 文章研究内容与结构
        1.3.1 研究内容
        1.3.2 文章内容
第二章 数字化定密技术的相关技术理论
    2.1 引言
    2.2 待定密文本预处理
    2.3 待定密文本表示
    2.4 待定密文本特征选择
    2.5 待定密文本分类算法
    2.6 评价检验
第三章 基于最小最大支持向量机算法的数字化定密技术研究
    3.1 问题分析
    3.2 支持向量机算法改进研究
        3.2.1 线性可分支持向量机算法基本原理
        3.2.2 非线性可分支持向量机算法原理研究
    3.3 最小最大模块化网络算法原理分析
        3.3.1 最小最大模块化网络复杂任务分解
        3.3.2 最小最大模块化网络并行训练处理
        3.3.3 最小最大模块化网络模块合并集成
    3.4 基于最小最大支持向量机的数字化定密算法
        3.4.1 最小最大支持向量机基本机理
        3.4.2 最小最大支持向量机超平面划分原理
        3.4.3 基于最小最大支持向量机的定密算法
第四章 实验设计与分析
    4.1 实验设计
    4.2 实验结果分析
        4.2.1 模拟涉密中文文档结果分析
        4.2.2 美国已解密文档结果分析
        4.2.3 综合分析
第五章 总结与展望
    5.1 文章总结
    5.2 未来展望
参考文献
发表论文和参加科研情况说明
致谢



本文编号：2915028