一种基于KPCA和SVM结合的可信样本异常检测算法
投稿时间：2020-07-20  修订日期：2023-09-05
关键词:异常检测  主成分分析  支持向量机  各项异性高斯核
基金项目:国家电网有限公司总部科技项目：面向电力物联网端到端安全防护体系关键技术研究及应用资助（520626190067）
作者单位邮编
李冬 国网山东省电力公司 250001
梁花* 国网重庆市公司电力科学研究院 
高鹏 南京南瑞信息通信科技有限公司 
常英贤 国网山东省电力公司 
马创 重庆邮电大学 
摘要点击次数: 673
全文下载次数: 0
摘要:
      目前在可信样本的异常检测系统中面临着来自各个方向的困难与挑战,其中包括系统中误报率高、检测率低以及样本中高维冗余特征对检测系统所造成的计算量庞大等问题。面对如此纷繁的问题,本文提出一种基于核主成分分析(KPCA)和支持向量机(SVM)相结合的异常检测方法。首先以主成分分析算法为基础,采用各项异性高斯核代替传统的高斯核函数对可信样本数据集进行特征提取,降低可信样本的维数以及消除冗余信息,减少了支持向量机算法输入的维数,然后再使用SVM对简约之后的可信样本数据进行训练,最后利用所建立好的模型对测试集进行预测,得到支持向量机实现数据的异常检测。此外,各项异性高斯核的核宽度反映了每个特征的重要性。实验结果表明,该方法与传统的异常检测方法相比检测率提高了3.67%,误检率降低了3.54%,测试时间加快了0.804s。
  查看/发表评论  下载PDF阅读器
Copyright@ 2008 All Rights Reserved.