第三次毕业设计任务书

一. 进度计划

 

时间

计划进度

3.24-3.30

尝试将kdd数据预处理用代码实现

3.31-4.6

将kdd数据预处理用代码实现以及与aprior算法的结合

 

二. 课题需求

  2.1 数据预处理的功能和主要方法

   在现实中,由于数据的来源、组织、存储等的多样性,海量的原始数据中一般都很难避免“脏数据”的存在,如噪音、冗余、矛盾、缺损等等,因而很少能够直接满足数据挖掘的要求。根据“进去的是垃圾,出来的也是垃圾,”的原理,为了获得有价值的知识,就必须提供有效的数据。同时,由于知识发现问题本身固有的复杂性,不同类型、不同目的、不同方法的知识发现往往对数据源有额外的、特殊的要求。当建立一个信息系统的时候,即使进行了良好的设计、规划和数据清洗,也不能保证获得的数据都能满足特定的挖掘任务的需要,针对具体的应用往往还需要进行后续的数据预处理工作,如数据集成和转换、数据归约、连续数据的离散化、概念分层等。这些工作直接影响到数据挖掘算法的有效性和运行效率。

 

  数据预处理的主要方法有基于粗糙集理论的约简方法;基于概念树的数据浓缩方法;信息论思想和知识发现;基于统计分析的属性选取方法;遗传算法。而常见的数据预处理方法有:数据清洗、数据集成、数据变换和数据归约。

  1. 数据集成(Data Integration)是将多文件或多数据库运行环境中的异构数据进行合并处理,解决语义的模糊性。该部分主要涉及数据的选择、数据的冲突问题以及不一致数据的处理问题。

  2. 数据清洗(Data Cleaning):数据清洗的目的不只是要消除错误、冗余和数据噪音。其目的是要将按不同的、不兼容的规则所得的各种数据集一致起来。

  3. 数据变换(Data Transformation):是找到数据的特征表示,用维变换或转换来减少有效变量的数目或找到数据的不变式,包括规格化、规约、切换和投影等操作。

  4. 数据简化(Data Reduction):是在对发现任务和数据本身内容理解的基础上,寻找依赖于发现目标的表达数据的有用特征,以缩减数据模型,从而在尽可能保持数据原貌的前提下最大限度的精简数据量。其主要有两个途径:属性选择和数据抽样,分别针对数据库中的属性和记录。

 

  2.2数据预处理

  入侵检测的原始数据通常包含几十个特征,这些数据运用到一些分类算法中,将使分类速度非常缓慢,甚至无法进行下去,因此,寻找这些大量特征之间的相关性,找出其中的冗余信息,是入侵检测数据预处理要解决的问题。目前,特征提取主要采用的方法有 PCA、KPCA 和非线性成分分析方法等。

  PCA 是一种提取数据中线性特征的方法。作为一种特征提取技术,它已用在许多模式识别领域。

    设研究对象有n 个特征即 1 2, ,...,nx x x,PCA 就是寻找p个正交向量,使向量组

                                    (2.2.1)

    能较好地表示研究对象。

    (2.2.1)式写为矩阵的形式为

              Y =A ⋅X                                     (2.2.2)

    所以

                                            (2.2.3)

    对(2.2.3)式两边取数学期望得:

                                         (2.2.4)

    令

                                                  (2.2.5)

                                                      (2.2.6)

     则(2.2.4)式可变为

                                                      (2.2.7)

    由 X 的m 个样本估计得到:

                                                      (2.2.8)

     式中的 为第j个样本,同样

                                       (2.2.9)

      方差的贡献率定义为,选择 m 的依据是 m 个最大特征值对应的方差贡献率的总和应大于 99.9%。m 个最大特征值对应的特征矢量构成m 维特征子空间。

    主成分分析的具体算法是:

      1)计算协方差矩阵

      2)求出协方差矩阵的特征值

      3)按 m 个最大特征值对应的方差贡献率的总和大于 99.9%,选取 m 个最大的特征值及其对应的特征向量,利用(2.2.1)式求出输入数据在特征空间的投影。

 

  目前,入侵检测数据预处理主要是采用一些传统的降维方法,这些方法在入侵检测中存在一定的困难,如数据维数降低不多,对入侵检测中不同类型的数据同时处理存在困难等。

   

  CAEP ( 通 过 聚 集 显 露 模 式 分 类 ) 使 用 项 集 支 持 度 挖 掘 显 露 模 式(Emerging Pattern ,EP)[38]。而 EP  用于构造分类[41]。EP  基本概念如下:

设 I={i1, i2,…, im}是项的集合,其中的元素称为项(item)。事务 T 是项的集合,T⊆I。设数据集 D  是事务的集合。I  的子集 X  被称为 K  项集,当且仅当 K=|X|。如果 X⊆T,我们说事务集 T  包含项集 X。项集 X  在数据集 D  中的支持度用 supp D(X)表示,其计算公式如下:

   

 

  其中 count D(X)是 D  中包含 X  的数量。给定一个正数 δ,如果 supp D (X)≥δ,则认为 X  是 δ-large  否则认为 X  是 δ-small。LARGEδ (D)(相应的 SMALLδ(D))定义为所有 δ-large(相应的,δ-small)项集的集合。 假设一对数据集的有序对,D1  和 D2  其支持度分别为 supp1  (X)和 supp2  (X)。项集X  从 D1  到 D2  的增长率 Growth Rate(X)定义如下:

   

 

 

 

三. 参考资料

  1. 刘宪芳.入侵检测系统的特征提取方法研究及其实现
  2. 关大伟.数据挖掘中的数据预处理
  3. 姜晚云.关联规则在学生成绩管理中的应用研究

转载于:https://www.cnblogs.com/G-Domain/p/6613794.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/255009.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

电商第一季函数笔记(1)

1、isset (PHP 4, PHP 5, PHP 7) isset — 检测变量是否设置 说明 bool isset ( mixed $var [, mixed $... ] ) 检测变量是否设置,并且不是 NULL。 如果已经使用 unset() 释放了一个变量之后,它将不再是 isset()。若使用 isset() 测试一个被设置成 NULL …

压缩xvid ffmpeg x264 对比

压缩xvid ffmpeg x264 对比 Xvid是基于MPEG4协议的编解码器,x264是基于H.264协议的编码器,ffmpeg集合了各种音频,视频编解码协议,通过设置参数可以完成基于MPEG4,H.264等协议的编解码,现在将其对比结果罗列如下&#…

JMS-activMq与spring进行整合

对JMS做了一个简要介绍之后,接下来就讲一下Spring整合JMS的具体过程。JMS只是一个标准,真正在使用它的时候我们需要有它的具体实现,这里我们就使用Apache的activeMQ来作为它的实现。所使用的依赖利用Maven来进行管理,具体依赖如下…

微信消息

微信消息 转载于:https://www.cnblogs.com/linewman/p/9918298.html

make: 警告:检测到时钟错误。您的创建可能是不完整的。

我在make的时候也出现了同样的问题,不过不是什么大问题,这个不影响编译结果分析原因可能是: 服务器上的文件最后修改时间比当前时钟要晚解决办法: 用touch 命令把源程序的时间戳改一下 find . -type f -exec touch {} \;或者touch…

FileReader/FileWriter复制文件

public class Test{ /*FileReader/FileWriter读写乱码,待处理*/ public static void main(String[] args) throws IOException{ FileReader fileReader null; FileWriter fileWriter null; try{ fileReader new FileReader("c:/123/666.doc"); fileWri…

machine ID问题 ( u-boot设置machine id , set mach_type 0x16a )

machine ID问题 machine ID问题跟CPU具体到型号相关,启动时打印信息如下: Uncompressing Linux...........................................................................done,booting the kernel. Error:unrecoginized/unsupported machine ID(r1…

FFMPEG使用参数详解

FFMPEG使用参数详解 目前又开始测MPEG1和MPEG2的解码,在准备编码好的测试序列过程中,需要通过编码器来进行原始视频序列的编码操作,以生成我们需要的测试数据。由于IPP example提供的Encoder不支持MPEG1,经过查询,决定…

模拟支付宝、淘宝登录1

1、进入支付宝首页 GET https://auth.alipay.com/login/index.htm HTTP/1.1Accept: */*Accept-Language: zh-CNAccept-Encoding: gzip, deflateUser-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.2; WOW64; Trident/8.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; …

CSS层叠样式表

HTML主要控制内容 CSS主要控制格式。 样式表是用来指定样式信息的句法机制。 之所以将CSS称为层叠样式表,是因为它可以在3个层次上进行定义。 内联样式表 内联样式表位于开始标签中,其设置只对该元素起作用 文档样式表 文档样式表位于文档的头部区域&…

对X264/FFMPEG架构探讨---感觉不错

3. FFMPEG架构分析FFMPEG是目前被应用最广泛的编解码软件库,支持多种流行的编解码器,它是C语言实现的,不仅被集成到各种PC软件,也经常被移植到多种嵌入式设备中。使用面向对象的办法来设想这样一个编解码库,首先让人想…

如何快糙好猛的使用Shiqi.Yu老师的公开人脸检测库(附源码)

前言 本次编写所用的库为于仕祺老师免费提供的人脸检测库。真心好用,识别率和识别速度完全不是Opencv自带的程序能够比拟的。将其配合Opencv的EigenFace算法,基本上可以形成一个小型的毕业设计。(我是学机械的啊喂!!&a…

SQL语句增加字段、修改字段、修改类型、修改默认值

--一、修改字段默认值alter table 表名 drop constraint 约束名字 ------说明:删除表的字段的原有约束alter table 表名 add constraint 约束名字 DEFAULT 默认值 for 字段名称 -------说明:添加一个表的字段的约束并指定默认值--二、修改字段名&#…

node+koa2+mysql搭建博客后台

本文将详细讲解使用nodekoa2mysql搭建博客后台的全过程。 开发环境 node 8.3.0及以上npm 5.3.0及以上mysql 5.7.21具体的环境配置可查看我的上一篇文章 准备工作 npm下载pm2(进程守护),并设置全局变量创建博客需要的数据库与表 开启mysql并创建数据库test: create d…

ffmpeg使用x264编码的配置+ ffmpeg与 x264编码器参数完整对照表

ffmpeg使用x264编码的配置 ffmpeg与 x264编码器参数完整对照表 分类: 多媒体 2010-07-13 11:31 1072人阅读 评论(0) 收藏 举报 转载自:扶凯[http://www.php-oa.com] 本文链接: http://www.php-oa.com/2009/03/09/ffmpeg_x264.html 转帖:http://rhinghear…

javascript之变量

定义变量方式有var,let,const,变量的类型是根据变量的值来确定,变量的名称跟大多数语言一样,包含数字字母_$,不能以数字开头且区分大小写。 var 最早的定义变量的方式,可重复定义,但请避免这样做。 var a …

Maven理解

2019独角兽企业重金招聘Python工程师标准>>> Maven概念 参考maven入门 冰河winner Maven作为一个构建工具,不仅能帮我们自动化构建,还能够抽象构建过程,提供构建任务实现;它跨平台,对外提供了一致的操作接口&#xff0…

HALCON示例程序measure_circles.hdev测量圆的半径

HALCON示例程序measure_circles.hdev测量圆的半径 示例程序源码(加注释) 关于显示类函数解释 dev_update_off () read_image (Image, ‘circle_plate’) get_image_size (Image, Width, Height) dev_close_window () dev_open_window (0, 0, Width / 2…

OpenTLD 未完成 - 虎头

TLD是一种算法的简称,原作者把它叫做Tracking-Learning-Detection。搞视觉的人看到这个名字都会吓一跳,很ambitious的计划。是09年的工作,不算太久,不过也不太新。网上关于这个的资源其实很多,很大程度和作者开放源代码…

C# FileSystemWatcher 在监控文件夹和文件时的用法

********************************************************************************** 第一个文章: ********************************************************************************** 概述 最近学习FileSystemWatcher的用法,它主要是监控一个文件夹,当文件夹内的文件要…