高海华

作品数：6被引量：45H指数：2
导出分析报告
供职机构：华东理工大学信息科学与工程学院更多>>
发文主题：SVM支持向量机入侵检测特征抽取异常检测更多>>
发文领域：自动化与计算机技术更多>>
发文期刊：《计算机工程与应用》《控制与决策》《计算机工程》《华东理工大学学报（自然科学版）》更多>>
所获基金：国家自然科学基金国家教育部博士点基金国家重点基础研究发展计划广西青年科学基金更多>>
-
在结果中检索

检索结果分析

署名顺序

  • 全部
  • 第一作者
结果分析中...
共 条 记 录，以下是1-6
全选清除导出
参考文献引证文献引用追踪
视图：
排序：
构造稀疏最小二乘支持向量机的网络入侵检测模型被引量：1
《华东理工大学学报（自然科学版）》2008年第6期876-881,共6页张红梅 高海华 王行愚 
国家自然科学基金项目(60543005,60674089);教育部高校博士点基金项目(20040251010);上海市重点学科建设项目(B504);广西青年科学基金项目(桂科青0728091)
从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达。以MIT KDD99数据...
关键词：最小二乘 支持向量机 稀疏性 入侵检测 低秩逼近 
基于SVM的多类分类集成被引量：2
《华东理工大学学报（自然科学版）》2008年第5期734-739,共6页张红梅 高海华 王行愚 
国家自然科学基金(60543005,60674089);教育部高校博士点基金(20040251010);广西青年科学基金项目(桂科青0728091)
为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两...
关键词：SVM集成 多类分类 Bagging(自助聚集) 入侵检测 
基于BPSO-SVM的网络入侵特征选择和检测被引量：20
《计算机工程》2006年第8期37-39,共3页高海华 杨辉华 王行愚 
国家自然科学基金资助项目(69974014);国家重点基础研究发展规划项目(2002CB312200);教育部高校博士点基金资助项目(20040251010)
采用改进的二进制粒子群优化进行入侵特征子集选择,粒子群中每个粒子代表一个选择的特征子集,结合支持向量机使用该特征子集所对应的数据集进行分类,正确分类结果作为该粒子的适应度,通过粒子群优化实现最优入侵特征选择。改进的BPSO方...
关键词：二进制粒子群优化 支持向量机 异常检测 特征选择 
基于PCA和KPCA特征抽取的SVM网络入侵检测方法被引量：20
《华东理工大学学报（自然科学版）》2006年第3期321-326,共6页高海华 杨辉华 王行愚 
国家自然科学基金项目(69974014);教育部高校博士点基金项目(20040251010)
提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-...
关键词：异常检测 特征抽取 主分量分析(PCA) 核主分量分析(KPCA) 支持向量机 (SVM) 
正则化最小二乘分类的AlignLoo模型选择方法被引量：1
《控制与决策》2006年第1期7-12,共6页杨辉华 王行愚 王勇 高海华 
国家重点基础研究发展规划项目(2002CB312200);高等学校博士点基金项目(20040251010)
正则化最小二乘分类(RLSC)是一种基于二次损失函数的正则化网络,其推广能力受模型参数影响,传统的模型选择方法是耗时的参数网格搜索.为此,提出一种新颖的A lignLoo模型选择方法,其关键在于将核参数与超参数分开优化,即最大化核-目标配...
关键词：棱函数 正则化 最小二乘法 分类 模型选择 支持向量机 
基于主元神经网络和SVM的入侵特征抽取和检测被引量：1
《计算机工程与应用》2005年第20期145-147,共3页高海华 杨辉华 王行愚 
国家重点基础研究发展规划项目(编号:2002CB32200);国家自然科学基金项目(编号:69974014)
目前基于机器学习的入侵检测研究都是从提高检测精度的分类器算法设计出发,大多未考虑对样本特征的分析。文章提出了一种基于特征抽取的异常检测方法,应用主元神经网络(PCNN)抽取入侵特征,再应用SVM检测入侵。采用广义Hebb学习规则训练...
关键词：异常检测 特征抽取 主元神经网络(PCNN) 支持向量机 
全选清除导出
共1页<1>
检索报告 对象比较 聚类工具 使用帮助 返回顶部