基于圖片特征和分類器融合的垃圾郵件過(guò)濾技術(shù)研究.pdf

1、目前電子郵件獲得了廣泛應(yīng)用,與此同時(shí),垃圾郵件卻給人們帶來(lái)了極大的損害。垃圾郵件的新變種不斷出現(xiàn),反垃圾郵件技術(shù)面臨挑戰(zhàn)。如何針對(duì)新變種研究新的過(guò)濾方法成為該領(lǐng)域的熱點(diǎn)。傳統(tǒng)的垃圾郵件過(guò)濾技術(shù)大多是針對(duì)文本型垃圾郵件,對(duì)層出不窮的圖片垃圾郵件束手無(wú)策,因此圖片垃圾郵件過(guò)濾技術(shù)研究迫不及待。
　　 針對(duì)垃圾郵件過(guò)濾,特別是圖片垃圾郵件過(guò)濾,本文主要做了以下工作:
　　 (1)在基于內(nèi)容的過(guò)濾技術(shù)基礎(chǔ)上,針對(duì)文本型和圖片型垃

2、圾郵件提出一個(gè)多種方法相結(jié)合的過(guò)濾方案。通過(guò)D-S合成規(guī)則將多個(gè)分類器組合,發(fā)揮各自優(yōu)勢(shì),從而克服了單分類器失效問(wèn)題,提高了過(guò)濾系統(tǒng)的可靠性和穩(wěn)定性。
　　 為了使組合分類器獲得良好的效果,分類算法選擇至關(guān)重要。為此,本文針對(duì)文本型垃圾郵件,融合了最大熵模型和支持向量機(jī)(Support Vector Machine,SVM)分類算法,降低由單分類器受影響而引起的誤檢和漏檢風(fēng)險(xiǎn)。
　　 (2)本文重點(diǎn)針對(duì)圖片垃圾郵件,建立

3、了多層過(guò)濾體系,融合了基于圖片特征的相似度測(cè)量和基于后驗(yàn)概率的SVM分類方法。在圖片特征提取中,重點(diǎn)分析了兩種方法:尺度不變特征變換算法(Scale Invarient Feature Transform,SIFT)、圖片底層和高層特征提取技術(shù)。通過(guò)降低特征向量維數(shù),本文對(duì)SIFT’算法進(jìn)行了改進(jìn),仿真實(shí)驗(yàn)結(jié)果表明改進(jìn)后的方法與基于周長(zhǎng)復(fù)雜度的噪聲檢測(cè)相結(jié)合能夠大大減少時(shí)間開銷,而又不會(huì)降低算法性能。此外,在對(duì)圖片特征進(jìn)行詳細(xì)分析的基礎(chǔ)