凌霄汉
- 作品数:6 被引量:16H指数:3
- 供职机构:南京师范大学计算机科学与技术学院更多>>
- 发文基金:江苏省自然科学基金更多>>
- 相关领域:自动化与计算机技术更多>>
- 一种基于集成学习的分布式聚类算法被引量:3
- 2007年
- 基于集成学习的思想,提出一种分布式聚类模型.该模型的分布式处理过程分为2个阶段:先在局部站点局部聚类,然后在全局站点全局聚类.局部站点的局部聚类看作是一种基于数据子集的学习过程,所有的局部聚类结果组成了聚类集成系统的个体学习器,全局聚类采用平均法对局部结果进行集成,并定义了一个准则函数来度量集成的精度.把K-means算法推广到分布式环境,提出一种基于该模型的分布式K均值算法DK-means,该算法对局部数据的分布有较强的伸缩性.实验结果表明,DK-means在同等条件下能达到集中式聚类的精度水平,是有效可行的,从而验证了基于集成学习的分布式聚类模型的有效性.
- 吉根林凌霄汉杨明
- 关键词:K-MEANS分布式聚类数据挖掘
- 集成学习方法及其在入侵检测中的应用研究
- 集成学习通过训练多个学习器把它们的结果进行集成能够显著地提高学习系统的泛化能力,被认为是一种有效的工程化智能计算方法。本文对集成学习方法作了一些较深入的研究,取得了如下一些成果:
1.提出了一种快速选择性集成方...
- 凌霄汉
- 关键词:集成学习方法神经网络分布式聚类入侵检测
- 文献传递
- 基于SVM的多类代价敏感学习及其应用被引量:3
- 2006年
- 标准的分类器设计一般基于最小化错误率.在入侵检测等问题中,不同类型的错分往往具有不等的代价.通过在支持向量机的类概率输出中引入代价敏感机制,提出了3种基于最小化总体错分代价设计分类器的方法.实验结果表明通过改变代价矩阵,能在漏报率、误报率及稀有类样本的错误率之间调节,从而保证在误报率尽可能小的情况下降低漏报率和稀有类样本的错误率,以减少总体错分代价.
- 程学云吉根林凌霄汉
- 关键词:代价敏感学习支持向量机入侵检测误报率
- 神经网络集成的分布式入侵检测方法被引量:3
- 2007年
- 分布式入侵检测系统需具有分布式检测功能及部件增量更新能力。文中提出了一种基于神经网络集成的分布式入侵检测方法,采用单个Agent检测与多个Agent协同检测的两级集成算法实现分布式入侵检测;在发现新的入侵时,Agent上的神经网络集成采用基于资源分配网的增量学习算法进行更新。实验结果表明,该算法能有效检测各种攻击,并且具有对未知攻击的增量学习能力。
- 吉根林凌霄汉程学云
- 关键词:分布式入侵检测神经网络集成
- 一种快速选择性神经网络集成方法被引量:3
- 2006年
- 选择性集成通过选择部分个体能够获得比传统全部集成更好的泛化性能.已有的一些选择性集成方法实现的时间复杂性较高,或没有充分利用个体的先验信息.提出了一种新的选择性集成方法FASEN(fast approach toselective ENsemble).该方法在独立训练出一批神经网络后,采用一种近似搜索策略,只选择与其他个体差异较大且估计泛化误差较小的网络参加集成,把个体选择的搜索空间从2N降到N.理论分析与实验结果表明,该方法简单高效,泛化性能与已有的几种选择性集成方法相当甚至占优.
- 凌霄汉吉根林
- 关键词:神经网络泛化能力
- 一种基于聚类集成的无监督特征选择方法被引量:2
- 2007年
- 提出了一种无监督的特征选择方法,其基本思想是利用聚类来指导特征选择,对于无类别标签的数据样本集,先进行聚类获得数据类标签,再利用ReliefF算法进行特征选择.采用聚类集成方法解决一些聚类结果的不稳定问题,最终特征选择结果通过多次特征选择综合得到.实验结果表明,该算法具有良好的特征选择性能,在去除无关或冗余特征后可进一步提高聚类质量.
- 凌霄汉吉根林
- 关键词:无监督学习