神经网络及在网络用户行为分析中的应用研究

论文摘要

随着信息社会的飞速发展,人们面对的数据量越来越大,如何从海量信息中提取有效的数据,进而为决策服务是亟待解决的问题,因此数据分析技术越来越重要,对数据分析技术的发展需求日益强烈。神经网络是计算机学科的重要分支,神经网络方法被广泛应用于数据分析领域。数据分类作为一种重要的数据分析技术,有着非常广泛的应用需求,神经网络方法以其独特的优势在分类技术领域发挥着重要作用。然而,神经网络方法的分类技术通常面临着分类速度和分类准确性的问题,本文研究并改进了部分神经网络方法,在一定程度上提高了数据分类速度和准确性。文中应用改进的神经网络方法于网络用户行为分析这一新兴的研究领域,提高了数据分析的效率和网络用户行为分析的准确性。一方面,为从一个新的角度进行网络用户行为分析建模提供了可靠的数据基础,另一方面,验证了改进的神经网络方法的有效性。本文主要研究内容涉及支持向量机的改进,神经网络的混沌控制,改进的神经网络方法在网络用户行为数据分析中的应用以及网络用户行为新模型的建立。具体包括以下几个方面:(1)提出了改进的支持向量机方法。序列最小优化算法是支持向量机非常重要的分解方法,与二次型优化技术相比在优化时间、加快训练速度方面有了很大发展。序列最小优化算法的关键是工作集的选择问题,但传统的算法中工作集的选择存在启发式和随机性的缺点,有增加时间消耗甚至并不完全符合KKT条件的缺陷,将导致序列最小优化算法执行速度慢,进而影响支持向量机的运行效率。针对以上问题,本文通过改写KKT条件对序列最小优化算法工作集选择方法进行改进,同时提出相应的最小化步骤方法,并进行了收敛性的理论证明。通过对工作集选择方法的优化,改进了基于序列最小优化算法的支持向量机方法,提高了支持向量机的运行效率。(2)将稳定转换法应用于神经网络的混沌控制。三种典型的神经网络:主成分神经网络,独立成分神经网络,最小成分神经网络在一定区间内会产生混沌现象,系统不稳定不收敛,在实际分类问题的应用中会导致数据分类与提取不准确。本文将稳定转换法用于三种神经网络混沌参数区间内的混沌行为控制,消除混沌现象。实验证明通过稳定转换法的应用,在三种神经网络混沌区间内,嵌入轨道中的不稳定点获得稳定,动力学系统获得了稳定收敛解,能更好的符合实际问题的需要。同时,三种神经网络混沌对称现象的内在原因得到揭示。(3)基于改进的支持向量机和L.PCA神经网络方法,提出了一种新的网络用户行为分析模型。本文基于DNS数据建立了分析网络用户行为的新模型,应用改进的支持向量机方法和L.PCA神经网络方法提高了数据处理效率,创建了提取行为数据系统和用户标注系统,从一个新的角度分析了在时间和内容度量下用户使用网络的属性,揭示了用户区域属性对使用模式和应用习惯的影响,发现了群体用户之间的关系属性等。(4)验证了改进的支持向量机方法应用于网络用户行为数据分析的有效性。将改进的支持向量机方法应用于网络用户行为数据的分析,通过与现有方法的对比测试,验证了新方法理论分析的正确性,改进的支持向量机方法在运行效率和准确度上都有不同程度的提高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究现状
• 1.2.1 支持向量机及分解方法研究现状
• 1.2.2 神经网络混沌控制研究现状
• 1.2.3 网络用户行为分析研究现状
• 1.3 论文研究内容
• 1.4 论文结构安排
• 第二章 研究内容的原理及方法
• 2.1 支持向量机及分解方法
• 2.1.1 结构经验最小化
• 2.1.2 支持向量机
• 2.1.3 序列最小优化法
• 2.2 神经网络的混沌控制方法
• 2.2.1 混沌
• 2.2.2 Lyapunov 指数方法
• 2.2.3 稳定转换法
• 2.3 网络用户行为分析方法
• 2.3.1 网络用户行为分析的三阶段
• 2.3.2 网络用户行为分析的主要步骤
• 2.4 本章小结
• 第三章 支持向量机分解方法的改进
• 3.1 支持向量机序列最小优化法SMO
• 3.2 SMO 现有方法存在的问题
• 3.3 工作集选择的相关分析
• 3.3.1 工作集选择方法
• 3.3.2 工作集子问题最小化方法
• 3.3.3 现有工作集不足之处
• 3.4 工作集选择方法的改进
• 3.4.1 新的工作集选择方法
• 3.4.2 改进的子问题最小化方法
• 3.5 改进方法的收敛性分析
• 3.6 本章小结
• 第四章 三种神经网络的混沌控制
• 4.1 L.PCA 神经网络的混沌控制
• 4.1.1 L.PCA 神经网络混沌分析
• 4.1.2 基于STM 的L.PCA 混沌控制
• 4.2 H.ICA 神经网络混沌控制
• 4.2.1 H.ICA 神经网络混沌分析
• 4.2.2 基于STM 的H.ICA 混沌控制
• 4.3 D.MCA 神经网络混沌控制
• 4.3.1 D.MCA 神经网络混沌分析
• 4.3.2 基于STM 的D.MCA 混沌控制
• 4.4 三种神经网络混沌对称和共生现象分析
• 4.5 本章小结
• 第五章 基于DNS 数据的网络用户行为分析
• 5.1 数据准备及处理方法
• 5.1.1 数据描述及预处理
• 5.1.2 数据集净化方法
• 5.1.3 基于L.PCA 神经网络的流量过滤方法
• 5.1.4 基于DNS 数据的用户标注方法
• 5.2 独立用户网络行为特征分析
• 5.2.1 邮件使用规律
• 5.2.2 工作日与周末网络行为分析
• 5.2.3 网络使用频率度分析
• 5.2.4 网络使用时间分析
• 5.2.5 时间属性与应用的关联分析
• 5.2.6 连续网络行为之间的关系
• 5.2.7 网络兴趣行为的保持
• 5.2.8 区域来源对网络行为的影响
• 5.3 群体用户网络行为特征分析
• 5.3.1 基于改进SVM 方法的群体用户分类及属性
• 5.3.2 群体用户兴趣之间的关联分析
• 5.3.3 群体用户在线时间分析
• 5.4 神经网络方法在网络用户行为分析中的应用
• 5.5 本章小结
• 第六章 改进的SVM 方法在网络数据分析中的应用研究
• 6.1 数据集描述及实验准备
• 6.2 现有SVM 方法在数据集上的实验
• 6.3 改进的SVM 方法在数据集上的实验
• 6.4 改进的SVM 方法在时间效率上的改变
• 6.5 改进的SVM 方法在误差率上的改变
• 6.6 本章小结
• 第七章 结论
• 7.1 全文总结
• 7.2 后续工作展望
• 致谢
• 参考文献
• 在学期间参与的研究工作及发表和录用的学术论文