KPCA和RSVM结合处理大规模问题研究

被引：3

作者：

刘全昌

贺国平

张妮娜

机构：

[1] 山东科技大学信息科学与工程学院

来源：

山东科技大学学报(自然科学版) | 2008年 / 01期

关键词：

入侵检测; KPCA; RSVM;

D O I：

10.16452/j.cnki.sdkjzk.2008.01.024

中图分类号：

TP393.08 [];

学科分类号：

0839 ; 1402 ;

摘要：

针对入侵检测中训练样本数量多、属性多这一问题,应用核主成份分析Kernel PCA和简约支持向量机Reduced SVM相结合的方法,不但有效地提取了样本的非线性信息,而且使样本在维数上得到约简,减少了核矩阵的计算量。在标准入侵检测数据集上的实验表明:训练时间进一步减少,正确率得到提高,而误报率下降。

引用

页码：72 / 75

页数：4

共 5 条

[1]

A comparison ofPCA,KPCA and ICA for dimensionality reduction in sup-port vector machine. CAO L J,,CHUA K S,CHONG W K. Neurocomputing . 2003

[2]

Kernelprincipal component analysis. BERNHARD SCHO¨LKOPF,ALEXANDER J S. http://sml.nicta.com.au/~smola/papers/SchS-moMul99.pdf . 2007

[3] 基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题 [J].

郭辉 ;

王玲 ;

刘贺平 .

北京科技大学学报, 2006, (03) :303-306

[4]

RSVM:Reduced sup-port vector machines. LEE Y J,MANGASARIAN O L. http://www.cs.wisc.edu/dmi/svm/psvm . 2007

[5]

Proximal supportvector machine classifiers. FUNG G,MANGASARIAN O L. http://www.cs.wisc.edu/pub/dmi/tech-reports/01-02.ps . 2001

← 1 →