本文選題：模糊聚類算法　切入點(diǎn)：D-S證據(jù)理論　出處：《山東師范大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來伴隨著網(wǎng)絡(luò)的遍及,網(wǎng)絡(luò)犯罪率的增長(zhǎng)速度十分驚人,而在計(jì)算機(jī)安全領(lǐng)域有這樣一個(gè)全新的分支——網(wǎng)絡(luò)取證,受到了越來越多的關(guān)注。對(duì)于網(wǎng)絡(luò)犯罪案件,需要采用有效的工具和手段進(jìn)行網(wǎng)絡(luò)取證分析。然而在證據(jù)融合的過程中,經(jīng)常會(huì)遇到網(wǎng)絡(luò)證據(jù)來源廣、數(shù)量過多,證據(jù)信息具有不確定性等問題。本文針對(duì)網(wǎng)絡(luò)證據(jù)的復(fù)雜性問題提出了一種反向遺傳算法優(yōu)化的模糊C均值算法,用于改善對(duì)網(wǎng)絡(luò)證據(jù)進(jìn)行數(shù)據(jù)預(yù)處理的效果;并提出了基于可變粒度粗糙集的證據(jù)理論融合方法,以及將該方法應(yīng)用到網(wǎng)絡(luò)證據(jù)的融合處理中。本文所做工作主要是以下這三個(gè)方面的內(nèi)容:(1)研究模糊聚類,提出一種反向遺傳算法優(yōu)化的模糊C均值算法。該算法主要是考慮了遺傳算法本身易早熟的缺陷對(duì)于模糊C均值算法的聚類結(jié)果會(huì)產(chǎn)生不良影響,因此通過引入反向?qū)W習(xí)機(jī)制,構(gòu)造一種反向遺傳算法,并應(yīng)用于對(duì)模糊C均值算法的改進(jìn)中。實(shí)驗(yàn)最終結(jié)果表明,該算法能夠有效地提高聚類準(zhǔn)確率,并加快整個(gè)算法的迭代效率。(2)研究粗糙集理論和證據(jù)理論之間的聯(lián)系,提出一種基于可變粒度粗糙集的證據(jù)理論融合方法。該方法深入剖析了粒度計(jì)算視角下,粗糙集理論與D-S證據(jù)理論二者之間的聯(lián)系,利用粒度空間即證據(jù)空間距離的計(jì)算判斷證據(jù)之間是否沖突,并構(gòu)造了一個(gè)基于可變粒度粗糙集的定性融合函數(shù)。通過實(shí)例計(jì)算證明,該方法能有效地處理多源證據(jù)空間的證據(jù)融合問題。(3)設(shè)計(jì)基于粗糙集-證據(jù)理論的網(wǎng)絡(luò)證據(jù)融合模型,實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)通信數(shù)據(jù)流的分析處理。將結(jié)合了兩種理論優(yōu)勢(shì)的改進(jìn)證據(jù)融合方法應(yīng)用到網(wǎng)絡(luò)證據(jù)融合模型。在該系統(tǒng)中,首先是利用反向遺傳算法優(yōu)化的模糊C均值算法對(duì)采集到的數(shù)量大、結(jié)構(gòu)復(fù)雜的原始數(shù)據(jù)進(jìn)行聚類預(yù)處理,去除冗余;然后利用基于可變粒度粗糙集的證據(jù)理論融合方法對(duì)證據(jù)進(jìn)行融合操作,獲取一個(gè)一致的合理有效的證據(jù)融合結(jié)果,并生成取證報(bào)告。結(jié)果證實(shí),本文提出的方法能夠提高系統(tǒng)在網(wǎng)絡(luò)證據(jù)融合方面的有效性。
[Abstract]:In recent years, with the pervading of the network, the growth rate of the network crime rate is very astonishing, and in the field of computer security, there is such a new branch-network forensics, which has received more and more attention. It is necessary to use effective tools and means for network forensics analysis. However, in the process of evidence fusion, we often encounter a large number of online evidence from a wide range of sources. For the complexity of network evidence, this paper presents a fuzzy C-means algorithm optimized by reverse genetic algorithm, which is used to improve the effect of data preprocessing on network evidence. A method of evidence theory fusion based on variable granularity rough set is proposed, and the method is applied to the fusion of network evidence. The main work of this paper is to study fuzzy clustering in the following three aspects: 1). This paper presents a fuzzy C-means algorithm optimized by reverse genetic algorithm. This algorithm mainly considers the disadvantage of precocity of genetic algorithm to the clustering result of fuzzy C-means algorithm, so the reverse learning mechanism is introduced. A reverse genetic algorithm is constructed and applied to the improvement of fuzzy C-means algorithm. The experimental results show that the algorithm can effectively improve the clustering accuracy. And accelerate the iteration efficiency of the whole algorithm. 2) study the relation between rough set theory and evidence theory, and propose a method of evidence theory fusion based on variable granularity rough set. The relation between rough set theory and D-S evidence theory. A qualitative fusion function based on variable granularity rough set is constructed. It is proved that the method can effectively deal with the evidence fusion problem in multi-source evidence space. The improved evidence fusion method, which combines two theoretical advantages, is applied to the network evidence fusion model. Firstly, the fuzzy C-means algorithm optimized by reverse genetic algorithm is used to preprocess the collected raw data with large quantity and complex structure, so as to remove the redundancy. Then the evidence theory fusion method based on variable granularity rough set is used to fuse the evidence to obtain a consistent, reasonable and effective evidence fusion result, and the evidence report is generated. The method proposed in this paper can improve the effectiveness of the system in the network evidence fusion.
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP18;D925.2

【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 趙佩華;張衛(wèi)國;;粗糙集理論及其內(nèi)在意義初探[J];太平洋學(xué)報(bào);2008年11期

2 魏高樂;;粗糙集理論在裝備研制費(fèi)用風(fēng)險(xiǎn)評(píng)價(jià)中的應(yīng)用[J];實(shí)驗(yàn)技術(shù)與管理;2011年04期

3 趙戰(zhàn)彪;齊鷗;陳春良;石文華;;基于粗糙集的裝備保障要素關(guān)系研究[J];裝甲兵工程學(xué)院學(xué)報(bào);2013年01期

4 周業(yè)明;林秀芹;曹之新;文學(xué)義;;基于粗糙集的不完備情報(bào)信息系統(tǒng)的完備化[J];軍事運(yùn)籌與系統(tǒng)工程;2007年02期

5 王耀清;;基于粗糙集理論的股票時(shí)間序列數(shù)據(jù)的關(guān)聯(lián)規(guī)則方法研究[J];山西煤炭管理干部學(xué)院學(xué)報(bào);2012年04期

6 解亮亮;韓林;;基于粗糙集的空襲目標(biāo)威脅評(píng)估排序[J];火力與指揮控制;2009年09期

7 丁國勤,孟衛(wèi)東;基于粗糙集的知識(shí)推理在后勤保障智能決策系統(tǒng)中的應(yīng)用研究[J];軍事運(yùn)籌與系統(tǒng)工程;2005年03期

8 陳小衛(wèi);王新政;馬琳;孔麗;;不完備信息下裝備保障點(diǎn)選址決策方法[J];火力與指揮控制;2013年05期

相關(guān)會(huì)議論文 前10條

1 黎文航;陳善本;王兵;;粗糙集理論在焊接中的應(yīng)用綜述[A];第十一次全國焊接會(huì)議論文集（第2冊(cè)）[C];2005年

2 尹宗成;;粗糙集理論在我國糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用[A];現(xiàn)代農(nóng)業(yè)理論與實(shí)踐——安徽現(xiàn)代農(nóng)業(yè)博士科技論壇論文集[C];2007年

3 鄒剛;滕書華;孫即祥;陳森林;敖永紅;;一種粗糙集優(yōu)化協(xié)同原型模式約簡(jiǎn)分類方法[A];第十四屆全國信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 葛麗;傅彥;;粗糙集在科學(xué)數(shù)據(jù)屬性約簡(jiǎn)中的應(yīng)用[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

5 陳雪飛;;粗糙集分類中耦合數(shù)據(jù)的處理方法研究[A];2008年全國開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

6 肖健梅;蘆曉明;王錫淮;;集裝箱起重機(jī)防搖系統(tǒng)粗糙集控制[A];第二十六屆中國控制會(huì)議論文集[C];2007年

7 王印松;馮康;;主汽溫調(diào)節(jié)系統(tǒng)性能評(píng)價(jià)的粗糙集實(shí)現(xiàn)方法[A];第二十七屆中國控制會(huì)議論文集[C];2008年

8 王紅萍;萬程亮;金彥豐;;應(yīng)用粗糙集理論的對(duì)抗效果權(quán)重確定方法[A];2009’中國西部地區(qū)聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2009年

9 王莉;周獻(xiàn)中;;一種基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)模型在鋼材力學(xué)性能預(yù)測(cè)中的研究[A];2009年中國智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

10 卓明;王麗珍;譚旭;;基于粗糙集近似集擴(kuò)展的規(guī)則提取算法[A];第十七屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 馬希驁;概率粗糙集屬性約簡(jiǎn)理論及方法研究[D];西南交通大學(xué);2014年

2 唐孝;基于粗糙集的知識(shí)發(fā)現(xiàn)方法及其在ECG信號(hào)識(shí)別中的應(yīng)用[D];電子科技大學(xué);2015年

3 曾凱;鄰域粒化粗糙計(jì)算的關(guān)鍵技術(shù)研究與應(yīng)用[D];電子科技大學(xué);2015年

4 王永生;基于粗糙集理論的動(dòng)態(tài)數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究[D];北京科技大學(xué);2016年

5 馬周明;基于邊界域的多粒度粗糙集及其相關(guān)度量[D];河北師范大學(xué);2017年

6 薛佩軍;正負(fù)域覆蓋廣義粗糙集與知識(shí)粗傳播研究[D];山東大學(xué);2007年

7 孔芝;粗糙集理論若干問題的研究與應(yīng)用[D];東北大學(xué);2009年

8 秦中廣;基于粗糙集的交叉研究及其在中醫(yī)診斷的應(yīng)用[D];華南理工大學(xué);2002年

9 劉少輝;知識(shí)發(fā)現(xiàn)中粗糙集理論的研究[D];中國科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2003年

10 鄧大勇;基于粗糙集的數(shù)據(jù)約簡(jiǎn)及粗糙集擴(kuò)展模型的研究[D];北京交通大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 江飛;粗糙集神經(jīng)網(wǎng)絡(luò)故障診斷方法研究[D];西安石油大學(xué);2015年

2 何理榮;粗糙集理論在銀行信貸風(fēng)險(xiǎn)評(píng)估中的應(yīng)用研究[D];華南理工大學(xué);2015年

3 張德齊;基于粗糙集理論的電機(jī)故障診斷方法研究[D];渤海大學(xué);2015年

4 楊禮;基于粗糙集的公路交通安全預(yù)警研究[D];西南交通大學(xué);2015年

5 聶萌瑤;基于泛系串并模型的粗糙集概念擴(kuò)展與拓?fù)淇臻g[D];蘭州大學(xué);2015年

6 徐鵬;基于粗糙集的建筑起重機(jī)械安全精細(xì)化評(píng)價(jià)研究[D];西安建筑科技大學(xué);2015年

7 孫宇航;粗糙集屬性約簡(jiǎn)方法在醫(yī)療診斷中的應(yīng)用研究[D];蘇州大學(xué);2015年

8 張曼;基于粗糙集和包含度的聚類分類算法研究[D];青島理工大學(xué);2015年

9 車世遠(yuǎn);基于群搜索優(yōu)化粗糙集的腦科學(xué)數(shù)據(jù)研究[D];大連海事大學(xué);2015年

10 林哲;基于粗糙集的馬田系統(tǒng)研究及其在銀行直接營銷客戶分類中的應(yīng)用[D];南京理工大學(xué);2015年

，

本文編號(hào)：1567996