SVM ensemble for anomaly detection based on rotation forest

Lin, Li; Zuo, Ruijuan; Yang, Shuanqiang; Zhang, Zhengqiu

doi:10.1109/icicip.2012.6391455

Cited by 6 publications

(3 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Основою зазначених методів є технології і процедури, які вирішують завдання ідентифікації стану КС та виявлення аномалій в даних [6,7]. Наразі активно використовуються метод k найближчих сусідів (k-nearest neighbors) [8,9]; SVM -метод опорних векторів [10,11]; нейронні мережі, ансамблеві методи [12] та ін.…”

Section: вступunclassified

Розробка Методу Ідентифікації Стану Комп'ютерної Системи На Основі Нечітких Дерев Рішень

Gavrylenko¹,

Chelak²

2023

CNCS

View full text Add to dashboard Cite

Предметом дослідження є методи та засоби ідентифікації стану комп'ютерної системи. Метою статті є підвищення якості класифікації даних за рахунок розробки методу ідентифікації стану комп’ютерної системи. Завдання: дослідити методи ідентифікації стану комп’ютерної системи та розробити метод класифікації стану комп'ютерної системи з метою захисту даних. Використовуваними методами є: методи штучного інтелекту, машинного навчання. Отримано такі результати: досліджено методи ідентифікації стану комп’ютерної системи KNN (k-nearest neighbors), метод опорних векторів (SVM), нейронні мережі, дерева рішень. Запропоновано метод ідентифікації стану комп’ютерної системи на основі нечітких дерев рішень, який відрізняється від відомих методів побудови наявністю спеціальної процедури фазифікації атрибутів вихідних даних та побудови функції приналежності. Розроблено програмне забезпечення, в якому реалізовано та досліджено запропонований метод вирішення задачі ідентифікації стану комп'ютерної системи. Висновки. Наукова новизна отриманих результатів полягає у дослідженні методів ідентифікації стану комп'ютерної системи, розробці методу на основі нечітких дерев рішень, оцінці якості моделі на етапі навчання та тестування, виконання порівняльного аналізу.

show abstract

Section: вступunclassified

Розробка Методу Ідентифікації Стану Комп'ютерної Системи На Основі Нечітких Дерев Рішень

Gavrylenko¹,

Chelak²

2023

CNCS

View full text Add to dashboard Cite

show abstract

“…Метод повышения точности обнаружения с помощью ансамбля двухслойных машин опорных векторов (Support Vector Machines, SVMs) на основе ротации леса (rotation forest) был представлен в работе [20]. Эксперименты проводились на наборе данных KDD CUP 1999.…”

Section: литературный обзорunclassified

Обнаружение DoS атак с применением ансамбля классификаторов

Alguliyev¹,

Алыгулиев²,

Имамвердиев³

et al. 2017

İnformasiya Təhlükəsizliyinin Aktual Problemləri III Respublika Elmi-Praktiki Seminarının Materialları

View full text Add to dashboard Cite

“…This paper used the SVM as the base classifier of the RoF method. This method has been used as a network composed method for anomaly detection [26] that (i) can increase the diversity of base classifiers, (ii) is suitable for small samples and high-dimensional classification objects, and (iii) effectively prevents overfitting.…”

Section: Introductionmentioning

confidence: 99%

Intercropping Classification From GF-1 and GF-2 Satellite Imagery Using a Rotation Forest Based on an SVM

Liu

Chen

2019

IJGI

View full text Add to dashboard Cite

Remote sensing has been widely used in vegetation cover research but is rarely used for intercropping area monitoring. To investigate the efficiency of Chinese Gaofen satellite imagery, in this study the GF-1 and GF-2 of Moyu County south of the Tarim Basin were studied. Based on Chinese GF-1 and GF-2 satellite imagery features, this study has developed a comprehensive feature extraction and intercropping classification scheme. Textural features derived from a Gray level co-occurrence matrix (GLCM) and vegetation features derived from multi-temporal GF-1 and GF-2 satellites were introduced and combined into three different groups. The rotation forest method was then adopted based on a Support Vector Machine (RoF-SVM), which offers the advantage of using an SVM algorithm and that boosts the diversity of individual base classifiers by a rotation forest. The combined spectral-textural-multitemporal features achieved the best classification result. The results were compared with those of the maximum likelihood classifier, support vector machine and random forest method. It is shown that the RoF-SVM algorithm for the combined spectral-textural-multitemporal features can effectively classify an intercropping area (overall accuracy of 86.87% and kappa coefficient of 0.78), and the classification result effectively eliminated salt and pepper noise. Furthermore, the GF-1 and GF-2 satellite images combined with spectral, textural, and multi-temporal features can provide sufficient information on vegetation cover located in an extremely complex and diverse intercropping area.

show abstract

SVM ensemble for anomaly detection based on rotation forest

Cited by 6 publications

References 14 publications

Розробка Методу Ідентифікації Стану Комп'ютерної Системи На Основі Нечітких Дерев Рішень

Розробка Методу Ідентифікації Стану Комп'ютерної Системи На Основі Нечітких Дерев Рішень

Обнаружение DoS атак с применением ансамбля классификаторов

Intercropping Classification From GF-1 and GF-2 Satellite Imagery Using a Rotation Forest Based on an SVM

Contact Info

Product

Resources

About