基于高冲突证据修正的D-S证据理论及其应用研究

发布时间：2025-01-14 09:20

　　近年来随着网络的不断发展,网络数据也备受关注。信息化的今天,每天都会产生各种类型的网络数据,如何在这些庞大的数据中发现非法数据是我们急需解决的问题。由此网络取证技术应运而生,并得到迅速的发展,然而在证据融合过程中经常会遇到信息数量多、不确定、来源广等问题。本文针对信息数量多的问题提出了一种BP神经网络分类器模型,对采集到的网络数据进行预处理,以降低融合数据元的维数;提出了一种基于高冲突证据修正的D-S证据融合方法以提高融合效果,将该方法应用到取证系统的证据融合模块。本文所做工作可以归纳为以下三个方面:(1)提出了一种改进的BP神经网络分类器模型该算法主要考虑到传统的BP神经网络算法易陷入局部最优对分类结果产生不良影响,通过自动调整学习因子的学习方法,构造一种改进的BP神经网络模型,并将算法应用于分类中,实验结果表明,该算法能够解决易陷入局部最优的问题,并且提高了分类的效率。(2)提出了一种修正高冲突证据的融合算法该算法深度剖析了D-S证据理论在融合过程中容易出现的问题,将证据的信任度和虚假度相结合判定高冲突证据,并对高冲突证据进行修正,减少高冲突证据对融合结果的影响。通过实例验证,本算法...

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

图3.3训练效果对比图

图3.3训练效果对比图结果可以看出传统的BP神经网络在训练达到250次后才多次的训练，而改进后的算法在训练150次左右时已经基本的算法在收敛速度上有所提高。同时也可看出本文的算法平滑，未出现明显的跳动现象，整个网络的学习过程快而

图5.2数据采集界面

图5.2数据采集界面提交模块界面如下图5.3所示。

图5.3数据提交界面

图5.2数据采集界面提交模块界面如下图5.3所示。

图5.4数据预处理对预处理后的数据采用改进后的D-S证据理论进行证据融合，数据融合的目的是判定是否存在异常数据

图5.4数据预处理理后的数据采用改进后的D-S证据理论进行证据融合，数据融合的目的常数据。融合结果如图5.5所示。

本文编号：4026729