针对传统的增量式支持向量机（Incremental Support Vector Machine,ISVM）在处理数据集时易受数据噪声和学习过程中振荡问题影响的缺点,将改进的核函数U-RBF和构造备用集的同心圆方法相结合,提出了基于备用集的增量式支持向量机（Reser...针对传统的增量式支持向量机（Incremental Support Vector Machine,ISVM）在处理数据集时易受数据噪声和学习过程中振荡问题影响的缺点,将改进的核函数U-RBF和构造备用集的同心圆方法相结合,提出了基于备用集的增量式支持向量机（Reserved Set-Incremental Support Vector Machine,RS-ISVM）方法。该方法首先将特征属性的均值和均方差值嵌入到核函数RBF中,并通过同心圆方法将后续学习过程中最有可能成为支持向量的样本划入备用集。入侵检测实验证明RS-ISVM能够降低学习过程的振荡现象,提高了学习的速度,有非常好的性能和可靠性。展开更多
无线传感器网络数据传输过程中节点负载不均衡,容易导致某些节点过早死亡从而出现网络路由空洞,这会对网络拓扑结构造成毁灭性的破坏,甚至导致网络功能失效。针对该问题提出一种能耗优先的WSN路由空洞修复方法RVREP(A WSN Routing Void ...无线传感器网络数据传输过程中节点负载不均衡,容易导致某些节点过早死亡从而出现网络路由空洞,这会对网络拓扑结构造成毁灭性的破坏,甚至导致网络功能失效。针对该问题提出一种能耗优先的WSN路由空洞修复方法RVREP(A WSN Routing Void Repair method based on Energy Priority),首先研究了两种空洞查找方法,然后提出网络路由空洞完全修复的判断方法,最后利用匈牙利算法派遣可移动节点完成网络空洞修复。实验结果表明该方法遵循能耗优先准则在修复网络路由空洞方面具有优秀的性能,且修复后能够使网络的平均生存时间延长2.3倍。展开更多
文摘针对传统的增量式支持向量机（Incremental Support Vector Machine,ISVM）在处理数据集时易受数据噪声和学习过程中振荡问题影响的缺点,将改进的核函数U-RBF和构造备用集的同心圆方法相结合,提出了基于备用集的增量式支持向量机（Reserved Set-Incremental Support Vector Machine,RS-ISVM）方法。该方法首先将特征属性的均值和均方差值嵌入到核函数RBF中,并通过同心圆方法将后续学习过程中最有可能成为支持向量的样本划入备用集。入侵检测实验证明RS-ISVM能够降低学习过程的振荡现象,提高了学习的速度,有非常好的性能和可靠性。
文摘无线传感器网络数据传输过程中节点负载不均衡,容易导致某些节点过早死亡从而出现网络路由空洞,这会对网络拓扑结构造成毁灭性的破坏,甚至导致网络功能失效。针对该问题提出一种能耗优先的WSN路由空洞修复方法RVREP(A WSN Routing Void Repair method based on Energy Priority),首先研究了两种空洞查找方法,然后提出网络路由空洞完全修复的判断方法,最后利用匈牙利算法派遣可移动节点完成网络空洞修复。实验结果表明该方法遵循能耗优先准则在修复网络路由空洞方面具有优秀的性能,且修复后能够使网络的平均生存时间延长2.3倍。
