本文選題：隨機(jī)森林 + K均值��； 參考：《科技通報(bào)》2013年08期

【摘要】：隨機(jī)森林是一種優(yōu)秀的集成學(xué)習(xí)算法,能很好地避免過擬合現(xiàn)象的發(fā)生。然而隨機(jī)森林算法的時(shí)間復(fù)雜度通常較高,影響了該算法的廣泛應(yīng)用。針對這種不足,本文提出了一種基于K均值算法的隨機(jī)森林快速學(xué)習(xí)算法,該算法首先利用經(jīng)典的K均值算法對每一類原始樣本進(jìn)行聚類,然后對每一簇求樣本中心,用樣本中心作為新的樣本點(diǎn)替換該類別的原始樣本。然后利用隨機(jī)森林對新構(gòu)造的數(shù)據(jù)集合進(jìn)行學(xué)習(xí)。在網(wǎng)絡(luò)入侵檢測數(shù)據(jù)集上的實(shí)驗(yàn)充分驗(yàn)證了本文算法較傳統(tǒng)的隨機(jī)森林算法具有更快的分類速度。
[Abstract]:Stochastic forest is an excellent ensemble learning algorithm, which can avoid overfitting. However, the time complexity of stochastic forest algorithm is usually high, which affects its wide application. In order to solve this problem, a fast learning algorithm based on K-means algorithm is proposed in this paper. Firstly, the classical K-means algorithm is used to cluster every kind of original samples, and then the sample center is obtained for each cluster. Replace the original sample of the class with a sample center as the new sample point. Then the random forest is used to study the new data set. The experiments on the network intrusion detection data set show that the proposed algorithm has a faster classification speed than the traditional stochastic forest algorithm.
【作者單位】： 東營職業(yè)學(xué)院;
【基金】：國家高技術(shù)發(fā)展計(jì)劃“(863”計(jì)劃)項(xiàng)目(2007AA09Z323-2) 山東省自然科學(xué)基金項(xiàng)目(ZR2010DM016)
【分類號】：TP181;TP393.08

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王正群,陳世福,陳兆乾;并行學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成方法[J];計(jì)算機(jī)學(xué)報(bào);2005年03期

2 閻巍;南洋;;一種改進(jìn)的基于SVM的網(wǎng)絡(luò)入侵檢測算法[J];科技通報(bào);2012年10期

3 王麗婷;丁曉青;方馳;;基于隨機(jī)森林的人臉關(guān)鍵點(diǎn)精確定位方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2009年04期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張國強(qiáng);王桂萱;;基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分解與FLAC~(3D)的初始地應(yīng)力場反演[J];大連大學(xué)學(xué)報(bào);2007年06期

2 寇凈磊;;基于MAS和BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)研究[J];電腦知識與技術(shù);2009年14期

3 趙潔;鞏文科;;基于神經(jīng)網(wǎng)絡(luò)集成的Windows病毒檢測方法研究[J];計(jì)算機(jī)安全;2008年05期

4 陳俊芬;;多神經(jīng)網(wǎng)絡(luò)分類器的融合方法的比較[J];大眾科技;2011年09期

5 王樹威;陳艷艷;薄迎春;;基于模塊化神經(jīng)網(wǎng)絡(luò)的汽車輪胎接觸面壓力模型[J];北京工業(yè)大學(xué)學(xué)報(bào);2013年02期

6 徐沖;王汝傳;任勛益;;基于集成學(xué)習(xí)的入侵檢測方法[J];計(jì)算機(jī)科學(xué);2010年07期

7 鞏文科;李心廣;趙潔;;基于神經(jīng)網(wǎng)絡(luò)集成的入侵檢測方法的研究[J];計(jì)算機(jī)工程;2007年08期

8 鞏文科;李心廣;趙潔;;基于BP神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的故障診斷系統(tǒng)[J];計(jì)算機(jī)工程;2007年08期

9 鞏文科;李長河;石爭浩;趙潔;;基于樣本重構(gòu)的神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)方法[J];計(jì)算機(jī)應(yīng)用;2006年06期

10 郭亞琴;王正群;樂曉容;王向東;;基于自適應(yīng)距離度量的最小距離分類器集成[J];計(jì)算機(jī)應(yīng)用;2006年07期

相關(guān)博士學(xué)位論文 前8條

1 齊峰;人工神經(jīng)樹網(wǎng)絡(luò)模型的優(yōu)化研究與應(yīng)用[D];山東師范大學(xué);2011年

2 傅強(qiáng);選擇性神經(jīng)網(wǎng)絡(luò)集成算法研究[D];浙江大學(xué);2007年

3 于繁華;基于計(jì)算智能技術(shù)的橋梁結(jié)構(gòu)損傷識別研究[D];吉林大學(xué);2008年

4 金健;委員會機(jī)器模型及其應(yīng)用[D];華東師范大學(xué);2008年

5 徐帆;慣性/天文/衛(wèi)星組合導(dǎo)航方法研究[D];北京航空航天大學(xué);2009年

6 陳敏之;文胸作用下女體胸部形態(tài)變化效果分析及其模擬研究[D];東華大學(xué);2012年

7 陳進(jìn);基于交互仿真及神經(jīng)網(wǎng)絡(luò)的生產(chǎn)單元換線決策專家系統(tǒng)研究[D];重慶大學(xué);2012年

8 黃保海;基于分解—集成的汽輪發(fā)電機(jī)組故障診斷方法研究[D];華北電力大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 劉曉飛;基于相關(guān)反饋的圖像檢索研究[D];大連理工大學(xué);2010年

2 周莉;建筑工程項(xiàng)目造價(jià)估算模型研究[D];中南林業(yè)科技大學(xué);2007年

3 張冬威;基于網(wǎng)絡(luò)聚類選擇的神經(jīng)網(wǎng)絡(luò)集成方法及其在農(nóng)業(yè)中的應(yīng)用[D];吉林大學(xué);2011年

4 詹勛昌;基于網(wǎng)格的神經(jīng)網(wǎng)絡(luò)計(jì)算平臺研究與應(yīng)用[D];華南理工大學(xué);2011年

5 康恒政;多分類器集成技術(shù)研究[D];西南交通大學(xué);2011年

6 葛科宇;發(fā)動機(jī)磨損故障知識獲取方法研究及應(yīng)用平臺開發(fā)[D];南京航空航天大學(xué);2011年

7 李媚秋;基于Modbus的電能質(zhì)量監(jiān)測系統(tǒng)軟件平臺研究與開發(fā)[D];湖南大學(xué);2006年

8 王莉莉;基于網(wǎng)格計(jì)算的電容層析成像圖像重建技術(shù)的研究[D];哈爾濱理工大學(xué);2006年

9 張新聞;腦—機(jī)系統(tǒng)中特征提取方法的研究[D];蘭州理工大學(xué);2007年

10 李豹;大規(guī)模Markov決策過程基于性能勢的并行算法研究與應(yīng)用[D];合肥工業(yè)大學(xué);2007年

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 肖海軍;王小非;洪帆;崔國華;;基于特征選擇和支持向量機(jī)的異常檢測[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄒漢斌;周學(xué)清;;基于聚類的模糊支持向量機(jī)入侵檢測算法[J];情報(bào)雜志;2009年03期

2 賴立;許家s，

本文編號：2111126