基于支持向量機(jī)的電力通信網(wǎng)絡(luò)流量分類(lèi)技術(shù)研究.pdf

1、本學(xué)位論文的工作基于“電力信息通信網(wǎng)絡(luò)流量預(yù)測(cè)和管道智能化關(guān)鍵技術(shù)研究及其應(yīng)用”項(xiàng)目，主要研究方向?yàn)槊嫦驑I(yè)務(wù)的流量識(shí)別與感知，主要內(nèi)容為基于支持向量機(jī)的網(wǎng)絡(luò)流量分類(lèi)算法研究，將支持向量機(jī)用于流量識(shí)別中以提升分類(lèi)性能。
　　針對(duì)非線(xiàn)性情況下采用核函數(shù)的特點(diǎn)，論文通過(guò)研究核極化特點(diǎn)，提出一種基于核極化的特征權(quán)重算法(KPFW, Kernel Polarization based Feature Weighting);并分析多分類(lèi)情況下

2、，支持向量機(jī)分類(lèi)的特點(diǎn)，結(jié)合基于核極化的特征權(quán)重算法，提出一種適用于多分類(lèi)支持向量機(jī)的特征權(quán)重算法;通過(guò)分析傳統(tǒng)有向無(wú)環(huán)圖(DAG，Directed AcyclicGraph)支持向量機(jī)的特點(diǎn)，提出了一種模糊判決策略(FDP, Fuzzy Decision Policy)，并將其應(yīng)用在DAG-SVM中，提出改進(jìn)的DAG-SVM算法，結(jié)合KPFW與改進(jìn)DAG-SVM兩種方法，在Moore等人整理的數(shù)據(jù)集上驗(yàn)證實(shí)際的流量識(shí)別效果。結(jié)果表明，

3、本文提出的結(jié)合KPFW與改進(jìn)DAG-SVM方法流量分類(lèi)準(zhǔn)確率較高，穩(wěn)定性較好，各評(píng)價(jià)指標(biāo)得分較高。
　　全文共分為六章，主要內(nèi)容為:
　　第一章簡(jiǎn)介課題背景及研究意義，論述流量分類(lèi)的基本原理，討論幾種比較常見(jiàn)的流量分類(lèi)方法，同時(shí)給出本文的章節(jié)安排。
　　第二章概述支持向量機(jī)理論，分析支持向量機(jī)在實(shí)際應(yīng)用中的不足，引出多分類(lèi)支持向量機(jī)，歸納分析目前各種多分類(lèi)支持向量機(jī)的生成方式和各自的適用范圍及不足。
　　第三章引

4、入核極化的概念，支持向量機(jī)中核函數(shù)的應(yīng)用使得非線(xiàn)性問(wèn)題的解決十分方便，通過(guò)分析核極化特點(diǎn)，提出了一種基于核極化的特征權(quán)重算法(KPFW)，并分析多分類(lèi)情況下，支持向量機(jī)分類(lèi)的特點(diǎn)，將KPFW應(yīng)用在多分類(lèi)情況下，并在UCI數(shù)據(jù)集上對(duì)算法性能進(jìn)行測(cè)試，驗(yàn)證其有效性。
　　第四章分析有向無(wú)環(huán)圖支持向量機(jī)的特點(diǎn)，針對(duì)傳統(tǒng)DAG-SVM算法中的誤差累積現(xiàn)象，提出基于模糊判決策略的改進(jìn)有向無(wú)環(huán)圖支持向量機(jī)算法，并在Matlab自帶的數(shù)據(jù)集上驗(yàn)