论文部分内容阅读
单一来源的信息以及无法满足人们对数据信息丰富度、实时性、准确可靠性等方面的要求,这就需要数据融合技术从多源数据中得出估计和判决,以增加数据的置信度、提高可靠性、降低不确定性。本文首先介绍了数据融合的基本情况及其关键技术,以D-S证据理论为主要研究对象,提出一种基于D-S证据理论的加权模糊型数据融合框架,且提出了一种应用在数据融合数据预处理阶段的去噪算法。主要工作和创新点如下:1、提出了一种基于FCM算法的数据去噪方法。数据预处理是数据融合必不可少的阶段,本文就数据预处理中的噪声数据问题,从数据相似度度量问题出发,利用余弦相似度作为欧式距离的加权值,最终构造了一种基于FCM算法的去噪方法。实验证明改进后的算法在噪声检出率上优于一些经典算法。2、提出了一种基于D-S证据理论的加权模糊型数据融合框架。针对专家系统缺乏客观性、典型样本方法难以获取有效置信区间等问题,分别使用模糊朴素贝叶斯和FCM算法作为生成方法和判别方法,构造了一种复合模型。对于数据源中的不确定信息,采用一种直观的信度分配方法来确定其信任函数,最后通过一种可信的数学结构确定生成类BPA与判别类BPA的权重,形成一种在实际中能有更好应用效果的加权调节型数据融合模型。实验证明该算法的融合效果佳,稳定性较好,尤其是对于不确定性数据有较好的融合结果。3、设计并实现了一个网络攻击识别原型系统。将本文提出的改进算法应用到实际的攻击识别检测案例中,搭建真实的网络环境进行测试。系统通过嗅探工具抓取数据包,经过数据预处理和数据融合,得出对网络行为的判断,并通过可视化模块展示出来。实验表明,本文提出的算法的融合结果不仅仅优于单源数据产生的决策,在识别精度和稳定性上更是优于一些经典算法;当数据源中存在较多不确定性信息时,本文提出的算法在漏报率、误报率上更有优秀的性能;本文设计实现的攻击识别系统能够有效地识别攻击类型并对结果直观地展示。