计算机系毕业论文--BP神经网络的异常点检测应用可行性研究

《计算机系毕业论文--BP神经网络的异常点检测应用可行性研究》由会员分享，可在线阅读，更多相关《计算机系毕业论文--BP神经网络的异常点检测应用可行性研究（46页珍藏版）》请在毕设资料网上搜索。

1、 本科毕业设计（论文）本科毕业设计（论文） BPBP 神经网络的异常点检测应用可行性研究神经网络的异常点检测应用可行性研究 学 院 计算机学院 专 业 软件工程 年级班别 学 号 学生姓名 指导教师 2010 年 5 月 II 摘摘 要要 异常点数据是指数据集中与众不同数据。这部分数据的量小，但是对于我们的日常 生产生活的影响极大。因此，异常点检测被广泛应用于网络入侵检测，金融保险，天气 预报以及新药研制等领域。相对于大量的正常数据挖掘而言，异常点检测被称作小模式 数据挖掘。BP 算法是一种常用的数据挖掘算法。但是 BP 算法进行实际数据的异常点数 据挖掘过程中存在：实际数据的维数较高，存在冗

2、余特征的干扰，以及在高维特征下， 数据量不充分的问题。因此，本文分析 BP 神经网络处理各种数据的情况，并得到以下 结果。 （1）BP 神经网络能够较好的分离特征单一的仿真数据；但是（2）特征相似性较 大的数据集，难以分离判断； （3）正常数据不充分或者不具有代表性，因此正常数据类 学习不充分，从而导致异常无法判断。针对以上问题，本文提出了以下的改进措施： （1） BP 算法前进行特征约简（映射）从中选取有益于异常检测的特征（2）多神经网络融合， 不同神经网络识别不同的特征，相互取长补短，融合后得到最终的结果。 关键字关键字：异常，BP，异常点检测，神经网络 III Abstract Outl

3、ier data is the data set different data. This part of the small amount of data, but for our daily production and life of great. Therefore, the anomaly detection is widely used in network intrusion detection, finance, insurance, weather, and new drug development and other fields. Relative to the larg

4、e number of normal data mining, the anomaly detection model is called data mining small. BP algorithm is a commonly used data mining algorithm. But the BP algorithm to real data outliers exist in the data mining process: the higher the dimension of the actual data, there are redundant features of th

5、e interference, and high-dimensional feature, the issue of inadequate data. Therefore, this paper analyzes a variety of BP neural network processing of data, and to get the following results. (1) BP neural network can better separation characteristics of a single simulation data; but (2) the charact

6、eristics of similar large data sets, separation is difficult to judge; (3) normal data is not sufficient or not representative, so the normal data class learning is not sufficient, leading to abnormal can not judge. To solve the above problem, this paper proposes the following improvements: (1) BP algorithm before feature reduction (map) benefit from anomaly detection features selected (2) integration of multiple neural