| 【中文题名】 | 支持向量机的多类识别及其在流量检测问题中的应用 |
| 【英文题名】 | SVM for Multiclass Recognition and Its Applications on Traffic Identification |
| 【学科专业】 | 控制科学与工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-18 |
| 【中关键词】 | 统计学习理论,支持向量机（SVM）,核方法,多类问题,模式识别,流量检测 |
| 【英关键词】 | Statistical Learning Theory,Support Vector Machine （SVM）,Kernel Methods,Multiclass Problems,Pattern Recognition,Traffic Identification, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>数据处理、数据处理系统>集中检测与巡回检测系统 |
| 【论文摘要】 |
90年代初,一种新型的学习算法在原有统计学习理论的基础上被提了出来,即支持向量机——Support Vector Machine (SVM)。本文对SVM的方法与性质进行了详细的研究,同时针对多类识别问题的SVM算法提出了一些改进,并分别提出了两种基于两类与多类SVM方法的新型流量检测系统。
论文的主要研究内容包括理论研究与实际应用两部分:
1.文章的理论研究分成了两个部分:
1)第一部分首先对统计学习理论进行了全面的回顾,然后对两类SVM的方法与性能进行了详细的阐述,同时对其相关知识,例如核方法,最优化问题等也进行了较全面的讨论;
2)第二部分则对多类SVM方法进行了深入的研究,并且在现有多类SVM方法的基础上提出了两种改进,同时也对改进的合理性以及可行性进行了说明。
2.在实际应用部分里,文章创造性地将SVM方法与P2P流量检测系统进行了有效的结合,分别将两类与多类SVM方法运用到实际的P2P流量检测问题当中,取得了比现有的P2P流量检测方法更快的速度以及更高的精度,并用实验数据证明了SVM方法与该系统的成功融合。 |
| 【论文题纲】 |
|
摘要 |
6-7 |
|
Abstract |
7-8 |
|
第一章 绪论 |
8-12 |
|
1.1 选题依据及课题产生的意义 |
8-9 |
|
1.2 支持向量机的国内外研究历史、现状及发展趋势 |
9-10 |
|
1.3 论文研究内容与组织结构 |
10-12 |
|
1.3.1 论文主要研究内容 |
10-11 |
|
1.3.2 论文总体组织结构 |
11-12 |
|
第二章 统计学习理论及两类SVM 方法研究 |
12-24 |
|
2.1 学习问题的数学模型 |
12-14 |
|
2.2 VC 维与结构风险极小化原则 |
14-16 |
|
2.3 两类SVM 与核函数研究 |
16-22 |
|
2.3.1 最大间隔超平面与线性可分SVM |
16-18 |
|
2.3.2 线性不可分SVM 与核函数 |
18-22 |
|
2.4 本章小结 |
22-24 |
|
第三章 多类SVM 及其改进算法研究 |
24-38 |
|
3.1 经典多类SVM 方法及研究现状 |
24-28 |
|
3.1.1 多类模式识别问题 |
24-25 |
|
3.1.2 一对一支持向量机（1-vs-1 SVM） |
25-26 |
|
3.1.3 一对多支持向量机（1-vs-all SVM） |
26 |
|
3.1.4 决策树算法（DAGSVM） |
26-27 |
|
3.1.5 分析与总结 |
27-28 |
|
3.2 基于1-vs-all 策略的改进算法 |
28-31 |
|
3.2.1 改进1-vs-all 算法 |
28-30 |
|
3.2.2 仿真结果 |
30-31 |
|
3.3 基于1-vs-1 策略的改进算法 |
31-36 |
|
3.3.1 改进1-vs-1 算法 |
31-33 |
|
3.3.2 实验结果 |
33-36 |
|
3.4 本章小结 |
36-38 |
|
第四章 基于SVM 算法的新型P2P 流量检测系统设计 |
38-53 |
|
4.1 P2P 流量检测问题简介 |
38-39 |
|
4.2 基于两类SVM 的P2P 流量检测 |
39-47 |
|
4.2.1 问题描述，数据采集与特征提取 |
39-42 |
|
4.2.2 实验一及结果分析 |
42-45 |
|
4.2.3 实验二及结果分析 |
45-47 |
|
4.3 基于多类SVM 的P2P 流量应用级分类 |
47-52 |
|
4.3.1 问题描述，数据采集与特征提取 |
47-48 |
|
4.3.2 实验设计与结果分析 |
48-52 |
|
4.4 本章小结 |
52-53 |
|
第五章 结论与展望 |
53-55 |
|
5.1 全文工作总结与回顾 |
53 |
|
5.2 进一步研究展望 |
53-55 |
|
致谢 |
55-56 |
|
参考文献 |
56-61 |
|
附录 |
61 |
|
| 【DOI】 | LunWen.ID:2.2008.388909 |
