基于半监督学习应用流分类方法.pdfVIP

下载本文档

10
0
约1.11万字
约 4页
2017-08-10 发布于安徽
举报
版权申诉

基于半监督学习应用流分类方法.pdf

1、本文档共4页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

优秀毕业论文，完美PDF格式，可在线免费浏览全文和下载,支持复制编辑,可为大学生本专业本院系本科专科大专和研究生学士相关类学生提供毕业论文范文范例指导,也可为要代写发表职称论文提供参考！！！

27卷第8期微电子学与计算机 Vd．27No．8 2010 2010年8月 MICROEIE(丌RONICSO()MPUIERAn_gust 基于半监督学习的应用流分类方法柳斌，李之棠，涂浩 (华中科技大学网络与计算中心，湖北武汉430074) 摘要：将半监督学习应用到应用流分类问题中，提出了一种基于半监督聚类的应用流分类算法(Ps()SC)．首先采用粒子群优化的K均值聚类方法对大量的无标记数据和少量的标记数据进行聚类，利用少量标记数据确定簇与应用类型的映射关系，实现应用流分类．实验表明PSaSC算法有较高的流准确率，同时，降低了对标记数据的需求．关键词：流量分类；半监督学习；特征选择中图分类号：TP393．08 文献标识码：A 文章编号：1000—7180(2010)08一0024—03 A MethodforNetwork Semi-SupervisedClustering FlowClassification Application LIU Hao Bin，LIZhi—tang，TU Scienceand (Network of 430074，China) Centre，HuazhongUniversity Technology，Wuhan Abstract：Inthis featuresdeetionmetlxxtbasedon is TCPconnectionfeaturesare paper．a entropyprov06edfirstly．Five allowsclassifierstObe frown da— selectedforclassifier．Then，a classificationmethodthat designed semi．super、，ised training ta of afewlabehledand unlabelledis showsthatthedetectionresults consisting many p】：oposed．Theexperiment pre- only cedes 013．K／ncjlnsmetIxxt． words：trafficclassification；SemiSupervisedL氆lming；featureselection；entropy Key 据建模，不利用标记数据的类别信息．本文提出了一 1 引言种基于半监督聚类的应用流分类算法(PSⅨ汇)，利应用层是TCP／IP网络体系架构中的最高层．用少量的标记数据指导聚类过程．首先采用粒子群按照应用层对流进行识别和分类在用户行为分析、优化的K均值算法将数据划分为不同的簇，利用少网络带宽管理、入侵检测等诸多方面有着十分重要量的标记数据标记簇，并将标记信息扩展到簇内所