一种粗糙小波网络分类器及应用.docVIP

一种粗糙小波网络分类器及应用 　　摘要：提出了一种粗糙小波网络分类器的模型。其过程为：利用粗糙集理论获取分类知识，根据训练样本属性值离散化、属性约简和值约简来构造粗糙小波网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点；同时可简化小波网络的结构，加快网络的训练速度。并详细介绍了该分类器用于入侵数据识别的步骤和仿真实验结果。 　　关键词：粗糙集；粗糙小波网络；数据识别 　　中图分类号：TP183文献标识码：A文章编号：1009-3044(2011)10-2377-03 　　A Rough Wavelet Neural Network Classifier and its Application 　　ZHOU Xian-chun, LIU Dong-shan 　　(Sanya College, Hainan University, Sanya 572022, China) 　　Abstract: A model of rough wavelet neural network classifiers is proposed.The rough set theory is used to acquire the knowledge of classification,which includes decision table construction, attribute discretization,attribute reduction and attributes value education.The rough wavelet neural network classifier is established according to the reduced attributes,the attributes value education.The proposed classifier has better abilities of antidisturbance and generalization and can simplify the structure of the neural network and speed up the training rate of the network. The steps of applying this classifier to recognition of intrusion data and the results are described in the computer simulation experiments. 　　Key words: rough set; rough wavelet neural network; intrusion recognition 　　小波网络是近年神经网络研究中中的一个新的分支，是结合小波变换理论与人工神经网络的思想而构造的一种神经网络模型，它结合了小波变换良好的时频局域化性质及神经网络的自学习功能，因而具有较强的逼近能力和容错能力，已经开始有效的应用于信号处理，数据压缩、模式识别和故障诊断领域。 　　当然，小波网络也有不足之处:小波网络的构造比较复杂，相比BP和RBF网络而言，小波网络的运算复杂度增加了。而且高维小波网络的映射学习时容易产生 “维数灾难”问题，即随着网络的输入维数增加，网络所需训练样本呈指数增长，网络的收敛速度会下降。 　　而粗糙集方法可以描绘知识表达中不同属性的重要性，进行知识表达空间简化，从训练中推理规则；能在保留关键信息的前提下对数据进行化简并求得知识的最小表达；通过发现数据间的关系，不仅可以去掉冗余输入信息，而且可以简化输入信息的表达空间维数。同样，粗糙集方法也存在缺点：在实际问题的处理中对噪声较敏感，抗干扰能力比较差，如果对象的条件属性值受噪声干扰，将直接影响分类精度，因而在有噪声的环境中应用效果不佳。 　　尤其，在对大量数据进行处理时，由于输入信息不仅维数大，而且存在噪声干扰，单纯地使用粗糙集方法或者小波网络方法均不能达到预期的效果。因此设法将两者结合起来，用粗糙集的方法对小波网络进行改进，即通过粗糙集方法简化信息表达空间，去掉冗余信息，使训练集简化，克服“维数灾难”问题，以简化小波网络结构的复杂性，从而缩短训练时间，并可以充分利用小波网络强大的容错和抗干扰能力。因此，研究粗糙小波网络具有重要的意义。 　　本文研究粗糙小波网络分类器的建立,并用于入侵数据识别问题。在入侵数据识别过程中,由于入侵数据的属性多且类型多、数量大,增加了入侵数据识别的不确定性，造成识别效果不是特别理想。本文首先用粗糙集理论对入侵数据进行预处理,提取训练样本的特征向量