模糊分类模型及其集成方法PDF|Epub|txt|kindle电子书版本网盘下载

模糊分类模型及其集成方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1绪论1

1.1模糊分类研究的背景1

1.2模糊分类研究的目的4

1.3模糊分类相关的研究5

1.3.1精简模糊规则数量的方法研究5

1.3.2模糊分类识别率的提高方法研究6

1.4模糊分类研究的内容7

2模糊分类、核函数方法及支持向量机10

2.1模糊分类10

2.1.1模糊IF-THEN分类规则10

2.1.2隶属度函数13

2.1.3模糊划分15

2.1.4基于模糊划分的分类规则产生16

2.2核函数19

2.3支持向量机理论22

2.3.1线性情况23

2.3.2非线性情况26

3基于模糊核超球感知器的模糊分类模型28

3.1核感知器及超球感知器28

3.1.1核感知器28

3.1.2超球感知器30

3.1.3核超球感知器31

3.2模糊核感知器33

3.2.1模糊感知器33

3.2.2模糊核感知器35

3.3基于模糊核超球感知器的模糊分类模型36

3.3.1模糊核超球感知器36

3.3.2基于模糊核超球感知器的模糊分类模型38

3.3.3FCMBFKHP模型分类规则的生成40

3.4模糊IF-THEN规则的调整41

3.4.1调整策略分析42

3.4.2δm调整边界分析44

3.4.3规则调整算法49

3.5实验结果分析50

3.5.1核函数及参数对超球产生的影响实验50

3.5.2分类识别率比较实验52

4基于进化式核聚类的模糊分类模型53

4.1核聚类方法54

4.2基于支持向量的聚类55

4.3基于进化式核聚类的模糊分类模型60

4.3.1FCMBEKC分类模型结构62

4.3.2进化式核聚类算法65

4.3.3模糊分类规则的创建及分类推理67

4.3.4进化式核聚类算法中簇半径阈值的讨论68

4.4基于遗传算法的模糊IF-THEN规则的调整68

4.4.1基因编码69

4.4.2适应度函数71

4.4.3增强信息的确定71

4.4.4遗传操作72

4.5实验结果分析72

4.5.1基于wine数据集的实验73

4.5.2基于手写体数字识别数据集实验74

5基于支持向量机的模糊分类模型76

5.1模糊支持向量机的研究现状76

5.1.1第一种模糊支持向量机76

5.1.2第二种模糊支持向量79

5.2基于支持向量机的模糊分类模型81

5.2.1FCMBSVM的基本思想81

5.2.2FCMBSVM模型结构82

5.2.3隶属函数的选择84

5.2.4核函数证明85

5.2.5参数ak和b的求解88

5.2.6模型几何特性89

5.3FCMBSVM模型参数分析90

5.3.1惩罚参数C90

5.3.2隶属函数参数93

5.4基于FCMBSVM模型的多类分类95

5.4.1模糊IF-THEN规则表达式95

5.4.2参数akm及bm的求解96

5.5实验结果分析99

5.5.1双螺旋线实验99

5.5.2基于Image数据集实验99

5.5.3多类分类实验101

6基于模糊积分的多分类器集成方法103

6.1多分类器集成103

6.1.1多分类器集成研究的产生和现状103

6.1.2分类器输出信息描述104

6.1.3多分类器集成类型105

6.1.4基于度量级信息的并联式集成方法106

6.2模糊测度及模糊积分理论109

6.2.1模糊测度和gλ模糊测度109

6.2.2模糊积分110

6.3基于模糊积分的分类器集成方法112

6.3.1关于个体分类器生成112

6.3.2分类器集的选择114

6.3.3基于隶属度矩阵的模糊积分密度的确定117

6.3.4多分类器集成方法121

6.4实验结果分析123

6.5小结125

7基于模糊分类方法的网络流量分类126

7.1基于机器学习方法的网络流量分类研究126

7.1.1网络流量分类126

7.1.2网络流量分类研究的意义及现状127

7.1.3网络流量分类构建框架132

7.2网络流量样本采集及特征产生133

7.2.1网络流量采集133

7.2.2流及流的候选特征形成136

7.2.3流量样本类型自动标志140

7.3网络流量特征选择145

7.3.1特征选择概述145

7.3.2流特征产生方法147

7.4基于模糊分类方法的网络流量分类器构建148

7.4.1分类器构建149

7.4.2分类器性能评测151

7.5实验分析153

7.5.1特征选择实验154

7.5.2分类实验156

8结论及进一步的工作159

8.1结论159

8.2进一步的工作161

参考文献163

图目录3

图1.1模糊划分（a）格状划分（b）树状划分（c）散状划分3

图1.2输入空间映射到特征空间的模式分布5

图2.1两种模糊集隶属函数（a）高斯型（b）三角形13

图2.2（a）梯形隶属函数（b）Don’t care隶属函数14

图2.3一个超盒体分类器的分类模糊区域视图16

图2.4模糊划分例子（a）格状划分（b）散状划分18

图2.5最优分类超平面24

图3.1特征空间中的一超球37

图3.2超圆锥体隶属函数空间示意图39

图3.3特征空间中多类超球关系42

图3.4训练模式分布与隶属函数关系43

图3.5δm边界下界分析44

图3.6δm边界上界分析45

图3.7被错误分类模式的δm边界分析47

图3.8δm的调整示图49

图3.9不相交叠的相邻规则的边界最优化分析49

图3.10核函数及参数与分类模型影响分析图51

图4.1支持向量聚类示意图56

图4.2支持向量聚类的例子58

图4.3参数q与边界关系59

图4.4多超球核聚类示意图61

图4.5分类模型构建流程图61

图4.6规则区域空间示意图63

图4.7进化式核聚类示例67

图4.8δmj的变化与隶属度之间关系69

图4.9染色体及个体的组成70

图4.10种群的组成70

图5.1One-against-a11方法中的不可分区域（1）77

图5.2One-against-all方法中的不可分区域（2）78

图5.3One-against-one方法中的不可分区域78

图5.4扩展后的可预测区域78

图5.5模糊划分示例81

图5.6模糊子集对应隶属函数示意图82

图5.7xj轴上的隶属函数84

图5.84种隶属函数87

图5.9双螺旋线分类89

图5.10支持向量与隶属函数关系图90

图5.11δ与相似度及识别率的关系95

图5.12双螺旋线模式分布图100

图5.13δ、C与识别率、规则数之间关系图100

图6.1分类器集成方式105

图6.2分类器集成系统构建流程112

图6.3两个分类器在同一数据集上的错分情况115

图6.4分类器集识别率与差异度关系123

图7.1分类器构建的过程图133

图7.2网络流量数据采集示意图134

图7.3LibPcap（*.dmp）文件格式135

图7.4LibPcap报文格式135

图7.5报文成形的流示意图136

图7.6流的在前向包个数上的分布图137

图7.7流时间特征示意图137

图7.8网络流在持续时间上的分布图138

图7.9流的前向报文推送比特位的个数分布图138

图7.10网络流样本自动标志过程144

图7.11基于核聚类的模糊分类器构建过程150

图7.12基于SVM的模糊分类器构建过程151

图7.13分类器评测过程152

图7.14特征J（x）的分布图155

图7.15分类器性能比较图157

表目录16

表2.1模糊区域划分方式比较16

表3.1不同的核函数及参数实验结果比较51

表3.2实验数据集情况表52

表3.3不同数据集的实验结果52

表4.1FCMBEKC模型实验结果（wine数据集）73

表4.2FCMBEKC方法与文献［76］方法的实验结果比较74

表4.3FCMBEKC模型实验结果（手写体数字识别数据集）75

表4.4不同方法的识别率比较75

表5.1双螺旋线分类实验结果89

表5.2采用不同隶属函数的分类结果比较101

表5.3其他方法在Image数据集上的错误识别率101

表5.4多类分类实验比较（Iris数据集）102

表6.1两个分类器的错分表115

表6.2个体分类器的识别率及参数117

表6.3个体分类器的错分表117

表6.4基于Iris数据集的一分类器隶属度矩阵120

表6.5分类集成系统与个体分类器识别率比较124

表6.6分类器集成方法与其他集成方法识别率的比较125

表7.1网络流的候选特征集139

表7.2Internet上流行的应用140

表7.3常见的网络应用及其特征码142

表7.4列联表示例152

表7.5流量应用类型153

表7.6通过捕获报文而得到的数据集153

表7.7J（x）值较大的10个特征156

表7.8遗传算法每次迭代后的分类精确率156

表7.9分类器性能比较157

表7.10P2P流量分类结果158