Page 142 - 大数据背景下网络安全问题研究
P. 142
大数据背景下网络安全问题研究
Research on Network Security Issues under the Background of Big Data
术。与传统学习方法不同，支持向量机通过寻求最小结构化风险来提高学习机的泛化
能力，实现经验风险和置信范围的最小化，在统计样本量较小的情况下，达到良好统
计规律目的，主要用于分类和回归问题。
例如，如图5-4所示，训练样本中有两类标识过的样本点，根据支持向量机算法
建立训练模型，模型可以将实心点和空心点代表两类样本，H代表最优分类线，H1和
H2与H平行，且同时经过距离最优分类线最近的点，分类间隔指的是H1和H2之间的
距离。对于高维数据集（N），则需要N-1维的对象对数据进行分隔，这个对象就是
超平面，从概念上说，支持向量是那些离分隔超平面最近的数据点，它们决定了最优
分类超平面的位置。支持向量机算法的目标就是最大化支持向量到分隔面的距离，求
解最优超平面（能够将样本数据准确地分开，同时使得分类间隔最大）。由于支持向
量机方法在小样本、高维模式识别以及非线性问题中所表现出的优异性能在故障检测
与诊断领域引起了广泛研究。
图 5-4 支持向量机最优超平面
4.基于神经网络的故障诊断方法
现代设备日趋大型化、复杂化、自动化和连续化，在设备或系统工作过程中采
集的数据通常具有维度高数据大（在每个采样的时间点可能会得到几十或上百个维
度）、时间序列鲜明以及数据集不平衡等3个特点。神经网络具有自学习能力、非线
性映射能力、对任意函数逼近能力、并行计算能力和容错能力，正好可以基于这些数
据进行故障诊断。神经网络用于故障诊断的步骤通常如下：
第一，通过信号监测与分析，抽取反映被测对象的特征参数作为网络的输入。
• 130 •
