近年來隨著網(wǎng)絡的不斷發(fā)展,網(wǎng)絡數(shù)據(jù)也備受關注。信息化的今天,每天都會產(chǎn)生各種類型的網(wǎng)絡數(shù)據(jù),如何在這些龐大的數(shù)據(jù)中發(fā)現(xiàn)非法數(shù)據(jù)是我們急需解決的問題。由此網(wǎng)絡取證技術應運而生,并得到迅速的發(fā)展,然而在證據(jù)融合過程中經(jīng)常會遇到信息數(shù)量多、不確定、來源廣等問題。本文針對信息數(shù)量多的問題提出了一種BP神經(jīng)網(wǎng)絡分類器模型,對采集到的網(wǎng)絡數(shù)據(jù)進行預處理,以降低融合數(shù)據(jù)元的維數(shù);提出了一種基于高沖突證據(jù)修正的D-S證據(jù)融合方法以提高融合效果,將該方法應用到取證系統(tǒng)的證據(jù)融合模塊。本文所做工作可以歸納為以下三個方面:(1)提出了一種改進的BP神經(jīng)網(wǎng)絡分類器模型該算法主要考慮到傳統(tǒng)的BP神經(jīng)網(wǎng)絡算法易陷入局部最優(yōu)對分類結果產(chǎn)生不良影響,通過自動調(diào)整學習因子的學習方法,構造一種改進的BP神經(jīng)網(wǎng)絡模型,并將算法應用于分類中,實驗結果表明,該算法能夠解決易陷入局部最優(yōu)的問題,并且提高了分類的效率。(2)提出了一種修正高沖突證據(jù)的融合算法該算法深度剖析了D-S證據(jù)理論在融合過程中容易出現(xiàn)的問題,將證據(jù)的信任度和虛假度相結合判定高沖突證據(jù),并對高沖突證據(jù)進行修正,減少高沖突證據(jù)對融合結果的影響。通過實例驗證,本算法...

【文章頁數(shù)】：48 頁

【學位級別】：碩士

【部分圖文】：

圖3.3訓練效果對比圖

圖3.3訓練效果對比圖結果可以看出傳統(tǒng)的BP神經(jīng)網(wǎng)絡在訓練達到250次后才多次的訓練，而改進后的算法在訓練150次左右時已經(jīng)基本的算法在收斂速度上有所提高。同時也可看出本文的算法平滑，未出現(xiàn)明顯的跳動現(xiàn)象，整個網(wǎng)絡的學習過程快而

圖5.2數(shù)據(jù)采集界面

圖5.2數(shù)據(jù)采集界面提交模塊界面如下圖5.3所示。

圖5.3數(shù)據(jù)提交界面

圖5.2數(shù)據(jù)采集界面提交模塊界面如下圖5.3所示。

圖5.4數(shù)據(jù)預處理對預處理后的數(shù)據(jù)采用改進后的D-S證據(jù)理論進行證據(jù)融合，數(shù)據(jù)融合的目的是判定是否存在異常數(shù)據(jù)

圖5.4數(shù)據(jù)預處理理后的數(shù)據(jù)采用改進后的D-S證據(jù)理論進行證據(jù)融合，數(shù)據(jù)融合的目的常數(shù)據(jù)。融合結果如圖5.5所示。

本文編號：4026729