-
题名改进C均值聚类算法识别船用网络异常信息研究
- 1
-
-
作者
赵晓华
赵树升
-
机构
河南大学濮阳工学院
厦门工学院数据科学与计算机学院
-
出处
《舰船科学技术》
北大核心
2025年第11期165-169,共5页
-
文摘
针对船用网络中流量和异常模式随着时间、船舶运行状态等因素而动态变化的特点,为判断网络的异常信息,提出基于改进C均值聚类算法的船用网络异常信息识别方法。该方法结合船用网络传输特性,分析该网络的传输流量情况,结合分析结果通过功率密度谱函数提取船用网络流量信息特征包络值,将提取结果输入基于模态稳定函数的模糊C均值聚类算法中,识别船用网络异常信息。测试结果显示,依据流量数据的包络特征值能够较好的描述网络信息的变化情况,信息识别后的分离性结果均在0.94以上;能够结合稳定函数完成船用网络异常信息分类识别,并且能够依据该函数确定不同异常信息的类别。
-
关键词
C均值聚类
船用网络
异常信息识别
传输流量
-
Keywords
C-means clustering
marine network
identification of abnormal information
transmission traffic
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名基于贝叶斯分区数据挖掘的光纤网络异常分析算法
被引量：20
- 2
-
-
作者
刘云朋
霍晓丽
刘智超
-
机构
焦作大学信息工程学院
长春理工大学光电工程学院
-
出处
《红外与激光工程》
EI
CSCD
北大核心
2021年第8期288-292,共5页
-
基金
国家自然科学基金(61703056)
吉林省优秀青年人才基金(20190103154JH)。
-
文摘
光纤网络通信中异常信息的快速、准确识别是保证通信稳定的关键,随着光纤网络通信数据的激增,也成为了近年来的一个研究热点。文中结合异常信息识别算法的精度与收敛速度之间的制约机理,提出了基于贝叶斯分区数据挖掘的异常信息识别算法。首先,采用贝叶斯定量完成数据样本的特征分类,通过极大化分析修正先验概率;然后,依据异常信息的不同类型设置挖掘特征参数及概率化系数;最后,依据贝叶斯分区分别对样本数据进行具有针对性的数据挖掘。实验以光纤局域网的通信状态数据为样本,将该算法与人工神经网络算法和遗传算法的识别结果进行对比,计算了三种算法的识别正确率、收敛速度以及算法稳定性。该算法的识别正确率均值为93.83%,在数据量增大时未发生明显的降低。收敛速度与遗传算法相近,均值为3.25 s。漏检率和误检率均值分别为0.10%和0.54%。结果表明:该算法识别正确率与收敛速度均得到了提高,稳定性好,并能够在漏检率与误检率之间通过参数控制进行微调,具有较好的应用价值。
-
关键词
光纤网络
异常信息识别
数据挖掘
贝叶斯分区
-
Keywords
optical fiber network
abnormal information identification
data mining
Bayesian partition
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
