近年來隨著網(wǎng)絡(luò)的不斷發(fā)展,網(wǎng)絡(luò)數(shù)據(jù)也備受關(guān)注。信息化的今天,每天都會產(chǎn)生各種類型的網(wǎng)絡(luò)數(shù)據(jù),如何在這些龐大的數(shù)據(jù)中發(fā)現(xiàn)非法數(shù)據(jù)是我們急需解決的問題。由此網(wǎng)絡(luò)取證技術(shù)應(yīng)運而生,并得到迅速的發(fā)展,然而在證據(jù)融合過程中經(jīng)常會遇到信息數(shù)量多、不確定、來源廣等問題。本文針對信息數(shù)量多的問題提出了一種BP神經(jīng)網(wǎng)絡(luò)分類器模型,對采集到的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行預(yù)處理,以降低融合數(shù)據(jù)元的維數(shù);提出了一種基于高沖突證據(jù)修正的D-S證據(jù)融合方法以提高融合效果,將該方法應(yīng)用到取證系統(tǒng)的證據(jù)融合模塊。本文所做工作可以歸納為以下三個方面:(1)提出了一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)分類器模型該算法主要考慮到傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法易陷入局部最優(yōu)對分類結(jié)果產(chǎn)生不良影響,通過自動調(diào)整學(xué)習(xí)因子的學(xué)習(xí)方法,構(gòu)造一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型,并將算法應(yīng)用于分類中,實驗結(jié)果表明,該算法能夠解決易陷入局部最優(yōu)的問題,并且提高了分類的效率。(2)提出了一種修正高沖突證據(jù)的融合算法該算法深度剖析了D-S證據(jù)理論在融合過程中容易出現(xiàn)的問題,將證據(jù)的信任度和虛假度相結(jié)合判定高沖突證據(jù),并對高沖突證據(jù)進(jìn)行修正,減少高沖突證據(jù)對融合結(jié)果的影響。通過實例驗證,本算法...

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.3訓(xùn)練效果對比圖

圖3.3訓(xùn)練效果對比圖結(jié)果可以看出傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練達(dá)到250次后才多次的訓(xùn)練，而改進(jìn)后的算法在訓(xùn)練150次左右時已經(jīng)基本的算法在收斂速度上有所提高。同時也可看出本文的算法平滑，未出現(xiàn)明顯的跳動現(xiàn)象，整個網(wǎng)絡(luò)的學(xué)習(xí)過程快而

圖5.2數(shù)據(jù)采集界面

圖5.2數(shù)據(jù)采集界面提交模塊界面如下圖5.3所示。

圖5.3數(shù)據(jù)提交界面

圖5.2數(shù)據(jù)采集界面提交模塊界面如下圖5.3所示。

圖5.4數(shù)據(jù)預(yù)處理對預(yù)處理后的數(shù)據(jù)采用改進(jìn)后的D-S證據(jù)理論進(jìn)行證據(jù)融合，數(shù)據(jù)融合的目的是判定是否存在異常數(shù)據(jù)

圖5.4數(shù)據(jù)預(yù)處理理后的數(shù)據(jù)采用改進(jìn)后的D-S證據(jù)理論進(jìn)行證據(jù)融合，數(shù)據(jù)融合的目的常數(shù)據(jù)。融合結(jié)果如圖5.5所示。

本文編號：4026729