摘要：帕金森是世界上第二大的神经衰退性疾病。该疾病往往伴有多种非运动型症状(例如:抑郁、嗅觉障碍、睡眠紊乱...帕金森是世界上第二大的神经衰退性疾病。该疾病往往伴有多种非运动型症状(例如:抑郁、嗅觉障碍、睡眠紊乱等),运动症状包括迟缓、颤抖、僵硬等,此外,尽管这些症状是由多巴胺神经元的减少造成,但当今仍未发现这些多巴胺神经元减少的具体原因,因此诊断和治疗通常是复杂的。当前已有一些机器学习的方法运用在帕金森诊断和临床得分预测上,结果表明能有效的预测不同阶段帕金森症,即帕金森进程跟踪。这些方法大都关注于使用单模态的数据完成单功能模式,即在同一个方法模型中,用某一种单一模态数据来完成分类功能或者仅完成预测功能。一般来说,分类和回归模型有3个关键步骤:特征提取、特征选择、分类或回归。在医学图像研究中,从样本数量少而信息维度高的特征中选择出相关性最大的特征一直是个棘手的问题。因此,我们提出了一种基于改进损失函数的统一的帕金森症特征选择模型,该模型通过使用多模态帕金森影像学数据,同时完成了帕金森症诊断和预测功能。该模型用一种改进的损失函数来抓取那些对自身模型有效的特征,然后在这些特征上运用支持向量回归模型和支持向量分类模型来分别达到得分预测和症状检测的目的。我们用了10次交叉验证的方法对208个被试进行实验,208个被试中包括56个正常组、123帕金森组以及29特别组(scans without evidence of dopamine deficit,SWEDD)。实验结果表明,与只使用单个模态的数据相比,多模态数据能够有效的提高帕金森检测和得分预测性能。实验对比分析得到,我们的方法要比当前主流的方法更有效。更多还原显示全部
摘要：随着网络应用的普及,网络安全问题也随之而来,网络攻击也朝着多样化,复杂化和分布式的方向发展。入侵检测系...随着网络应用的普及,网络安全问题也随之而来,网络攻击也朝着多样化,复杂化和分布式的方向发展。入侵检测系统是发现攻击的第二道防线,其可以对网络中事件进行实时监控,是一种主动的防御技术,弥补防火墙的不足。近年来,随着机器学习的发展,使现有入侵检测与处理有了更为有效的机制,面对大规模的网络数据,由于机器学习算法本身的缺陷和不稳定性,目前仍存在检测准确率低和误报率高,并且检测效率低等难题,研究基于机器学习的网络入侵检测技术具有重要的理论意义和应用价值。本文的主要研究工作包括:(1)介绍了网络入侵检测技术的研究背景和研究意义,综述了国内外研究现状,概括了入侵检测和机器学习相关的理论知识,总结了常见的入侵检测技术,分析了入侵检测常用的机器学习算法。(2)针对网络数据存在大量冗余特征导致检测算法效率和准确率降低的问题,研究基于改进的随机森林(Improved Random Forest)特征选择算法和支持向量机(SVM)的入侵检测方法,通过权重投票融合基于OOB数据分类正确性和曲线下面积置换两种特征重要性度量方法,采用序列向后搜索策略,搜索获得了最优特征子集,解决了实验中数据存在冗余问题。设计了在KDD CUP99数据集上的仿真实验,进行了检测效率和检测准确率的实验结果比较和分析。(3)针对现有的入侵检测算法适应性不强以及检测准确率低的问题,研究基于深度学习多分类器集成方法。采用stacking技术对SVM、NB、KNN、DT等四个分类器的集成,解决了权重投票的集成学习技术只能学习分类器之间线性关系的问题,克服了单个分类算法的缺陷。设计了五层神经网络的仿真实验,并进行了实验结果进行了比较和分析。本文的创新之处包括:(1)提出了一种改进的基于IRF-SVM入侵检测方法,通过改进随机森林特征选择算法,使用权重投票技术融合基于OOB数据分类正确性和曲线下面积置换两种特征重要性度量方法,解决网络数据中存在冗余特征的问题。在KDD CUP99数据集上的实验结果表明,该方法对Normal、DOS、Probe、R2L、U2R的检测准确率分别为98.35%、98.72%、97.63%、93.64%、96.85%,比经典的SVM模型的检测准确率有较好的提高。(2)提出了一种基于深度学习多分类器集成的入侵检测方法,该方法通过深度学习算法集成了SVM、NB、KNN、DT四个分类器,增强了检测算法的稳定性。实验结果表明,该方法对Normal、DOS、Probe、R2L、U2R检测准确率分别为99.76%、99.88%、99.42%、98,63%、98.52%,明显高于基于权重投票算法的分类准确率。更多还原显示全部
