LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理...LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.展开更多
针对入侵检测数据量大,而文献[1]提出的α核心集的多层凝聚算法计算复杂度过高,影响实际应用的问题,提出一种基于熵重要测度权重粗糙集的α核心集多层凝聚入侵分类算法。首先,基于熵重要测度权重方法利用粗糙集对入侵检测数据进行预处...针对入侵检测数据量大,而文献[1]提出的α核心集的多层凝聚算法计算复杂度过高,影响实际应用的问题,提出一种基于熵重要测度权重粗糙集的α核心集多层凝聚入侵分类算法。首先,基于熵重要测度权重方法利用粗糙集对入侵检测数据进行预处理和属性约简,降低数据维数防止算法陷入"维数陷阱";其次,用熵重要测度权重距离代替阿尔法多层凝聚算法的欧式距离计算个体相似度,并实现粗糙集输出数据与阿尔法多层凝聚算法的有效对接。通过实验表明,基于熵重要测度权重粗糙集的α核心集多层凝聚入侵分类算法能够更加有效对KDD CUP 99标准数据库进行检测分类。展开更多
文摘LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.
文摘针对入侵检测数据量大,而文献[1]提出的α核心集的多层凝聚算法计算复杂度过高,影响实际应用的问题,提出一种基于熵重要测度权重粗糙集的α核心集多层凝聚入侵分类算法。首先,基于熵重要测度权重方法利用粗糙集对入侵检测数据进行预处理和属性约简,降低数据维数防止算法陷入"维数陷阱";其次,用熵重要测度权重距离代替阿尔法多层凝聚算法的欧式距离计算个体相似度,并实现粗糙集输出数据与阿尔法多层凝聚算法的有效对接。通过实验表明,基于熵重要测度权重粗糙集的α核心集多层凝聚入侵分类算法能够更加有效对KDD CUP 99标准数据库进行检测分类。
