特征树论文_尤志嘉,付厚利,时健,尤春安

特征树论文_尤志嘉,付厚利,时健,尤春安

导读:本文包含了特征树论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:特征,向量,局部,数据挖掘,电信,数据,巷道。

特征树论文文献综述

尤志嘉,付厚利,时健,尤春安[1](2017)在《基于特征树类比法的软岩巷道支护设计原理与应用》一文中研究指出根据从定性到定量综合集成法原理,提出了适用于复杂巨系统间相似性与差异性分析的特征树类比法及相关理论,并给出了特征树模型结构及定量计算相似性指数的计算机算法,以此为基础构建人机交互的类比分析体系。将特征树类比法原理应用到软岩巷道支护设计中,有效地解决了不同巷道断面之间的可类比性无法定量分析的问题。针对龙口矿区软岩巷道支护决策系统研究课题,基于特征树类比法原理开发了巷道支护设计决策支持系统,通过挖掘分析以往巷道的支护案例实现设计方案的类比迁移。工程实践表明该系统能够有效地实现类比对象检索、类比分析及设计方案咨询功能,验证了特征树类比法对于软岩巷道支护设计的适用性与可靠性。(本文来源于《煤炭学报》期刊2017年01期)

李琦[2](2015)在《基于特征树的Android恶意软件静态检测技术研究》一文中研究指出随着移动互联网技术的快速发展以及智能设备(智能手机,平板电脑)大量普及,越来越多的人倾向于使用智能设备进行娱乐、学习、工作和社交,越来越多的企业将业务平台扩展甚至移植到移动互联网中。用户在使用智能设备访问移动互联网的过程中涉及到用户大量的敏感信息,而移动应用市场充斥着大量的恶意应用,所以智能设备的安全问题越来越受到人们的重视。目前,Android操作系统逐渐占据了大部分的智能操作系统市场份额。Android系统简单易用、可扩展性高并且源代码开放,使用Java作为开发语言且逆向技术成熟,这些特性不仅获得了众多移动研发制造厂商的支持,也吸引了大量软件开发者。但是,这些特性也使得Android系统成为恶意软件的重要攻击目标。因此,寻找一种有效的方法来检测出应用程序是否具有恶意性,以保护使用Android操作系统的智能手机用户的信息等各方面的安全,对于手机制造商、安全厂商来说是十分必要和紧迫的。目前,对Android应用软件的检测方法,总体上可以分为静态检测,动态检测和云检测。因为静态检测易于实施,可以并行化处理,所以值得对此方法做进一步的研究。目前主流静态检测方法主要是基于特征值,如MD5哈希,权限申请、数据流以及API(Application Programming Interface)调用序列等原理的方法,但是这些方法都忽视了代码本身的层次结构。本文基于分层API调用领域的现有研究成果,提出了一种基于特征树的Android恶意应用软件静态检测方法并实现基于该方法的检测系统。该方法通过对Android应用软件包(Android Application Package,APK)样本进行特征描述,构建特征树以检测其恶意属性。本检测方法的主要实现原理是首先提取APK文件中API调用在类-函数等层面的分布信息,其次是与AndroidManifest.xml文件中权限请求信息进行结合,最终将这些信息以Permission-Class-Function-API的四层树形结构进行表示。通过实验将不同恶意软件样本的相似特征树逐层进行比较来计算相似度,并以此来揭示恶意应用程序由于在类型和族群方面上的差异所带来的API调用特征上的区别,从而为Android应用程序的静态检测提供新的有效方法。在实际的方法正确性验证方面,搜集了多个真实、已知的Android恶意样本集和一个正常的合法样本集,并分别设计了样本集内检测方法和新样本检测方法,基于以上准备工作来验证该检测方法的有效性以及系统实现的效果。最后分析了不同层次和不同检测情况下该方法的检测能力,并指出今后改进的方向。(本文来源于《北京理工大学》期刊2015-06-01)

白静[3](2014)在《基于扩展特征树的叁维CAD模型相似评价》一文中研究指出针对现有的叁维CAD模型检索算法难以有效捕捉零件中包含的工程语义、无法满足设计重用需求的问题,提出一种基于扩展特征树的叁维CAD模型相似评价方法。以叁维CAD模型的边界表示为输入,通过交互定义设计特征及自动识别特征间关系的方法建立其扩展特征树;综合扩展特征树及其特征的几何属性表征给定叁维CAD模型,并通过非精确的树匹配算法及一种自适应的权重分配方案实现叁维CAD模型间的相似评价。理论分析及实验结果表明,该算法能够快速检索到相似的叁维CAD模型,其检索结果较好地反映了模型的设计语义,满足设计重用需求。(本文来源于《计算机集成制造系统》期刊2014年02期)

向程冠,熊世桓[4](2014)在《一种基于特征树的Web碎片信息抽取算法》一文中研究指出为进一步解决Web碎片信息所特有的随意性给信息抽取带来的困难,通过对Web碎片信息DOM树的结构特征和Web碎片信息的文本特征(如时间、作者、信息等)进行研究,发现将两者相结合能有效地进行Web碎片信息抽取,提出一种基于特征树的Web碎片信息抽取算法.以新浪微博、腾讯微博、搜狐微博等在内的100个信息分享平台作为实验对象,实验结果表明,该算法具有良好的性能,可以达到较高的召回率与查准率.(本文来源于《兰州理工大学学报》期刊2014年01期)

郑乃行[5](2013)在《基于Qt,OSG的特征树结构的可复用式二次开发框架的研究和应用》一文中研究指出随着人们对软件需求的变化以及现代软件越来越趋向于复杂化的发展趋势。本文在开发软件的过程中,对于软件的可复用性,可扩展性等方面有着越来越高的要求。几乎在各种领域的软件开发中,保障软件具有理想的可复用性已经成为了一种相当迫切的需求。其中自然包括在3D可视化软件开发过程中,对可复用式程序的需求。本文知道,由于3D可视化软件本身所具备的的复杂性,它的开发周期,开发难度以及开发工作量都是非常巨大的。因此,在本文开发3D可视化软件的过程中,必须妥善考虑软件的可复用性。当然,随着近些年来框架库Qt和渲染引擎库OSG的快速发展和流行。本文进行图形类可视化软件的开发的效率已经有非常大的提升。也是因此,有越来越多的图形类软件的开发者们愿意选择使用Qt和OSG来进行他们的软件开发工作。不过,它们所带来的便利仅仅是功能上能够进行更为高效的开发,为了使得用户的开发工作能够真正建立在可复用性的基础之上。本文仍然需要解决用户所开发的软件本身在结构层面上存在的可复用性的问题。在这篇论文中,本文需要设计一个结合Qt和OSG的可复用式的框架库。以此来解决计划使用Qt和OSG开发者们在开发过程中的可复用性问题。本库利用模块化和插件式设计,构建了一个基于一个被称之为特征树结构的框架。使得框架具备高可复用性,灵活性和开放性。此框架库使得开发者们能基于一个高质量高可复用性的框架进行软件的开发工作。(本文来源于《杭州电子科技大学》期刊2013-12-01)

肖法镇[6](2012)在《基于聚类特征树的大规模支持向量机》一文中研究指出随着互联网的迅速发展,数据规模的增长达到了前所未有的速度,大数据已经成为当前机器学习的热门主题。由Cortes和Vapnik首次提出的基于统计学习理论的支持向量机(SVM)分类算法,具有良好的学习效果和泛化能力,但当训练数据集规模较大时,该算法在计算资源方面的要求急剧增长。为了将支持向量机算法扩展到大规模数据集,本文从以下几个方面对该问题进行研究和分析。首先,基于局部学习的思想,本文提出结合聚类算法BIRCH和分类算法SVM以建立局部分类器的大规模分类算法HCLL-SVM。该算法利用BIRCH聚类算法中的聚类特征结构将数据按空间分布划分成多个局部标记簇,然后针对各个局部标记簇,利用SVM分类算法构建多个局部分类器。其次,本文根据测试样本与众多局部分类器的距离,选择最近的分类器进行测试。并通过14组数据集的实验,说明HCLL-SVM算法在一定程度上提高了大规模数据的训练速度和测试速度,且具有较高的测试精度。最后,本文对聚类算法BIRCH中的聚类特征树结构中的分支因子与建树时间,模型训练时间,精度,测试时间之间的关系进行试验,得到如下结论:当分支因子的值在5到10之间变化时,以上衡量指标在各数据集上能得到较好的结果。另外,本文通过在1.5G内存(该内存不足以加载所有数据)下对810万的数据集进行实验,表明HCLL-SVM算法能在有限的系统资源下完成大规模数据的训练。(本文来源于《华南理工大学》期刊2012-05-01)

吴广潮[7](2012)在《基于聚类特征树的大规模分类算法研究》一文中研究指出分类作为模式识别、机器学习以及数据挖掘的核心研究内容,已广泛应用在文本分类、网页分类、语音识别、图像识别和生物信息处理等实际问题中。随着信息技术的飞速发展,互联网及数字设备带来海量数据的同时,也使传统的分类算法面临时间和空间上的挑战。因此如何处理大规模分类已成为相关领域备受关注的研究问题。本文在分析了大规模分类算法的研究进展和发展方向的基础上,采用局部学习或全局学习策略,利用聚类特征(CF)树来组织样本,对大规模有监督分类和半监督分类展开了研究,获得了如下成果:第一,提出了带类标聚类特征(CFL)的概念,设计了基于CFL树和局部学习的大规模支持向量机分类算法(CFLL-SVM)。CF树原应用于无监督聚类,它可以高效地实现样本的划分和压缩。本文首先使用无监督聚类和有监督聚类相结合对其进行改进,并设计了适合有监督分类的CFL树。然后运用局部学习的策略,通过CFL树将训练样本划分为多个小的局部子集,对每个子集使用SVM训练局部分类器,并通过该树将各个局部分类器组成一个总的分类器。最后对各个参数对算法的影响进行了分析。大量实验结果表明,该算法可以在不损失精度的情况下,大大提高训练的速度。第二,提出了基于CF树与渐进标注的大规模半监督支持向量机分类算法(CFPL-S3VM)。现实问题往往只有少量的有标记样本和大量的无标记样本,为了利用大量无标记样本学习样本的内在几何结构,本文采用CF树来层次组织大量的无标记样本。然后运用从粗到细的全局学习策略,使用半监督支持向量机从根到叶对树的每一层的各个簇中心(无标记样本的代表)和有标记样本进行学习。在每一层的学习中,获取影响决策面的潜在支持簇和剪去无用的簇以降低下一层的学习规模,同时为避免剪枝引起的信息丢失,采取标注的方法保留剪去的簇的总体信息以提高学习的精度。实验结果表明,对支持向量不多的样本集,该算法在保持精度的同时,只需更少的训练时间。第叁,提出了基于CF树和局部图转导的大规模半监督分类算法(CF-LGT)。当样本集的分类界面比较复杂,支持向量比较多时,CFPL-S3VM算法不能有效地通过剪枝以降低学习规模。为此,本文选用局部学习策略,利用CF树划分无标记样本为一系列的局部子集,对每个子集构造一种新的稀疏且具有除噪能力的近邻图后,采用基于图的半监督算法学习,从而降低了内存开销和加快了学习速度。实验结果表明,在有标记样本不是太少的情况下,CF-LGT在内存的开销、分类精度以及学习速度上都有良好的性能。第四,提出了整合全局结构的局部大规模半监督分类算法(LLGS)。当有标记样本很少或分布不均匀时,CF-LGT采取的局部学习策略可能会因为样本的全局结构遭到破坏而降低学习的精度。因此LLGS采用CF树划分无标记样本后,再提取全局结构信息,将其整合到各个局部问题中,最后采用图的方法进行局部学习。实验结果表明,该算法在有标记样本较少的情况下,具有较高的分类精度和较低的内存开销。此外,该算法还可以作为直推式的分类方法用于预测未知样本。(本文来源于《华南理工大学》期刊2012-04-01)

宋鳌,支琤,周军,罗传飞,安然[8](2011)在《基于LCS的特征树最大相似性匹配网页去噪算法》一文中研究指出提出了一种基于LCS的特征树最大相似性匹配网页去噪算法。通过将目标网页和相似网页转化为特征树,并将特征树映射为一个特征节点序列,利用LCS算法能获得最长子序列全局最优解的特点,找出两棵特征树之间的不同节点作为候选集,并对候选集进行聚集评分找出网页重要内容块。给出了算法的原型系统,并对每一个模块的实现做了详尽的描述。(本文来源于《电视技术》期刊2011年13期)

李春霖[9](2011)在《特征树阈值检测算法应对电信欺诈》一文中研究指出中国的电信市场十分庞大,电信服务网络系统日益复杂化,单纯用传统的人力资源管理这个庞大的运营系统开始变得困难起来。同时,一些电信用户恶意欠费或是利用技术手段享用了电信商提供的网络服务但是没有按规定缴纳足额的费用,给运营商带来了收入的缺失。无论是因为复杂的网络系统使技术欺诈有机可乘,还是因为用户恶意欠费,都给电信运营商造成收益风险。本文主要是防范电信欺诈,尽量减少电信运营商的收入流失。根据数据挖掘理论构建反欺诈系统框架,然后分析和总结电信欺诈特点,从而提取欺诈特征项,经过反复的数据分析和结果评测,确定了针对该问题的具体算法和参数系统,即“欺诈特征树节点阈值检测算法”这个反欺诈算法形成的最初灵感来自BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies)算法中的特征树理论,还有基于聚类的异常检测算法、入侵检测算法和数据关系模式研究等。本论文的具体算法是在电信欺诈特征分析和电信用户属性信息、费用信息、呼叫信息的数据分析基础上,对用户数据项进行规约处理后提取欺诈特征项,并构成一棵欺诈特征树。树上每个节点对应一个判定阈值和相应的权值,数据流从树的根节点出发,依次到叶子节点,若用户的欺诈特征值在阈值之上,则需要根据权值修改用户欺诈度的值。轮循完所有的欺诈特征项后,最后看用户欺诈度的值是否超过设定的欺诈阈值,若超过,则输出用户信息,交给反欺诈系统上一层处理,从而对可疑用户进行预警或者进一步核查分析。本文的创新性还在于对数据的处理和分析上,数据挖掘理论仅仅提供了处理海量数据的步骤和方法的方向性框架,对数据从抽象的、零碎的认识过度到有章可循的、有特定行为模式和形象直观的认识,还需要依赖于数据分析工具的运用。本文采用到的数据分析工具包括Matlab、Office办公软件Excel和PowerPoint,程序处理工具为Eclips和Oracle.(本文来源于《北京邮电大学》期刊2011-03-15)

李春霖,李文高[10](2011)在《特征树阀值检测算法应对电信欺诈》一文中研究指出电信网络日益复杂,这增加了电信营运的难度,并且大额欺诈和恶意欠费的状况使电信运营收入存在较大的风险。本文在数据挖掘技术、基于聚类的层次分析算法等理论基础上,采用了欺诈特征树阀值检测算法来应对电信欺诈,防范电信运营收入的流失。该算法将用户的数据特征项构建成欺诈特征树,采用关系数据模式来组织用户的欺诈特征项,并设定结点阀值作为检测判断的依据,依照用户最后的欺诈度值判断用户是否欺诈。算法简单高效,系统占用较少的内存并获得了较高的准确率。(本文来源于《软件》期刊2011年01期)

特征树论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

随着移动互联网技术的快速发展以及智能设备(智能手机,平板电脑)大量普及,越来越多的人倾向于使用智能设备进行娱乐、学习、工作和社交,越来越多的企业将业务平台扩展甚至移植到移动互联网中。用户在使用智能设备访问移动互联网的过程中涉及到用户大量的敏感信息,而移动应用市场充斥着大量的恶意应用,所以智能设备的安全问题越来越受到人们的重视。目前,Android操作系统逐渐占据了大部分的智能操作系统市场份额。Android系统简单易用、可扩展性高并且源代码开放,使用Java作为开发语言且逆向技术成熟,这些特性不仅获得了众多移动研发制造厂商的支持,也吸引了大量软件开发者。但是,这些特性也使得Android系统成为恶意软件的重要攻击目标。因此,寻找一种有效的方法来检测出应用程序是否具有恶意性,以保护使用Android操作系统的智能手机用户的信息等各方面的安全,对于手机制造商、安全厂商来说是十分必要和紧迫的。目前,对Android应用软件的检测方法,总体上可以分为静态检测,动态检测和云检测。因为静态检测易于实施,可以并行化处理,所以值得对此方法做进一步的研究。目前主流静态检测方法主要是基于特征值,如MD5哈希,权限申请、数据流以及API(Application Programming Interface)调用序列等原理的方法,但是这些方法都忽视了代码本身的层次结构。本文基于分层API调用领域的现有研究成果,提出了一种基于特征树的Android恶意应用软件静态检测方法并实现基于该方法的检测系统。该方法通过对Android应用软件包(Android Application Package,APK)样本进行特征描述,构建特征树以检测其恶意属性。本检测方法的主要实现原理是首先提取APK文件中API调用在类-函数等层面的分布信息,其次是与AndroidManifest.xml文件中权限请求信息进行结合,最终将这些信息以Permission-Class-Function-API的四层树形结构进行表示。通过实验将不同恶意软件样本的相似特征树逐层进行比较来计算相似度,并以此来揭示恶意应用程序由于在类型和族群方面上的差异所带来的API调用特征上的区别,从而为Android应用程序的静态检测提供新的有效方法。在实际的方法正确性验证方面,搜集了多个真实、已知的Android恶意样本集和一个正常的合法样本集,并分别设计了样本集内检测方法和新样本检测方法,基于以上准备工作来验证该检测方法的有效性以及系统实现的效果。最后分析了不同层次和不同检测情况下该方法的检测能力,并指出今后改进的方向。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

特征树论文参考文献

[1].尤志嘉,付厚利,时健,尤春安.基于特征树类比法的软岩巷道支护设计原理与应用[J].煤炭学报.2017

[2].李琦.基于特征树的Android恶意软件静态检测技术研究[D].北京理工大学.2015

[3].白静.基于扩展特征树的叁维CAD模型相似评价[J].计算机集成制造系统.2014

[4].向程冠,熊世桓.一种基于特征树的Web碎片信息抽取算法[J].兰州理工大学学报.2014

[5].郑乃行.基于Qt,OSG的特征树结构的可复用式二次开发框架的研究和应用[D].杭州电子科技大学.2013

[6].肖法镇.基于聚类特征树的大规模支持向量机[D].华南理工大学.2012

[7].吴广潮.基于聚类特征树的大规模分类算法研究[D].华南理工大学.2012

[8].宋鳌,支琤,周军,罗传飞,安然.基于LCS的特征树最大相似性匹配网页去噪算法[J].电视技术.2011

[9].李春霖.特征树阈值检测算法应对电信欺诈[D].北京邮电大学.2011

[10].李春霖,李文高.特征树阀值检测算法应对电信欺诈[J].软件.2011

论文知识图

Notice: Undefined index: items in F:\Web\www\cnki.demo.com\app\cnki\tpl\search.html on line 79Warning: Invalid argument supplied for foreach() in F:\Web\www\cnki.demo.com\app\cnki\tpl\search.html on line 79

标签:;  ;  ;  ;  ;  ;  ;  

特征树论文_尤志嘉,付厚利,时健,尤春安
下载Doc文档

猜你喜欢