基于mRMR-免疫克隆的网络态势特征选择方法与装置制造方法及图纸

本发明专利技术公开了一种基于mRMR

【技术实现步骤摘要】
基于mRMR
‑
免疫克隆的网络态势特征选择方法与装置


[0001]本专利技术属于数据特征选择
，更具体地，涉及一种基于mRMR
‑
免疫克隆的网络态势特征选择方法与装置。

技术介绍

[0002]在当下的网络态势分析预测模型训练中，由于态势数据集规模大、特征维度高，常使用特征选择方法对其规模进行缩减。传统的基于特征排序的算法复杂度较低，能够直接输出一组特征集，在简单降维任务中被大量使用；然而其未考虑特征之间的相互影响，因此在实际的态势预测工作中存在一些限制。相比而言，基于搜索策略的算法每轮只根据固定策略输出一个特征，能更为灵活地选择最优的特征集，特别的，其中mRMR算法由于能够较好地筛除特征集中的信息冗余，因此在高维数据特征选择领域受到广泛关注。然而，mRMR算法每次只对单个特征进行评价，没有考虑到特征的组合对分类产生的积极作用，在一些数据复杂度高，特征间耦合性强的复杂网络中，并不能靠单个特征的性能决定整个特征子集的好坏，因此有必要提出一种能够同时考量单个特征和整个子集的网络态势特征选择方法。
专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于mRMR
‑
免疫克隆的网络态势特征选择方法，其特征在于，包括以下步骤：(1)根据实际任务场景，确认网络态势数据空间X，网络态势特征空间F与网络态势标签空间T；(2)使用传统mRMR特征选择方法，针对以上数据，通过增量搜索策略选择出满足最大特征、最小冗余的k维特征子集F
b
；(3)将F
b
进行二进制编码，作为免疫克隆算法的初始抗体基因，生成初始抗体种群P
′
与记忆种群M，合并为初始种群P；(4)使用巴氏距离制定抗体亲和度算法；(5)根据亲和度算法，选择种群P中最好的β个抗体组成高亲和种群P
β
；(6)复制种群P
β
中的抗体得到克隆种群C；(7)针对克隆种群C内的抗体进行变异操作，得到变异后成熟种群C
*
；抗体的每一位基因都拥有均等的变异概率，变异概率由基础变异率VA
B
与混沌变异率VA
C
两部分组成；(8)从成熟种群C
*
中选择ξ％亲和度最高的抗体组成新记忆种群M
′
，使用M
′
替换原有的记忆种群M，并组成新的种群P；(9)剔除P中的一部分评价低于预设值的抗体，然后生成一批规模为d的随机抗体对P进行补充；(10)判定种群亲和度是否达到阈值，若未达到则进入下一轮选择、克隆、变异操作；否则输出最高亲和度抗体λ
*
，解码后得到最优特征子集F
*
。2.根据权利要求1所述的基于mRMR
‑
免疫克隆的网络态势特征选择方法，其特征在于：步骤(1)中，各向量空间描述为：网络态势数据空间X＝{x1,x2,
…
,x
k
}，x
i
＝{f
i1
,f
i2
,
…
,f
in
,t
i
}
T
(x
i
∈X)；网络态势特征空间F＝{f1,f2,
…
,f
n
}，f
j
＝{f
1j
,f
2j
,
…
,f
kj
}
T
(f
j
∈F)；网络态势标签空间T＝{t1,t2,
…
,t
k
}，t
i
∈{0,1}(t
i
∈T)。3.根据权利要求1或2所述的基于mRMR
‑
免疫克隆的网络态势特征选择方法，其特征在于：在步骤(2)中，mRMR算法的最大相关性与最小冗余的计算均依赖于互信息度量：此时无需考虑冗余问题，其中p(f,t)为f与t的联合概率分布，当f与t的概率密度函数分别为p(f)与p(t)时，由于二者相互独立分布，p(f,t)＝p(f)
×
p(t)；将mRMR算法的预选子集规模设置为m，将筛选出的特征加入已选择特征集F
a
，当|F
a
|<m时，使用增量搜索策略寻找下一个特征加入F
a
，所选特征需同时满足最大相关性和最小冗余，定义特征评价标准Φ(f
j
)，具体方式如下：
重复上述操作，直至|F
a
|＝m时，mRMR算法筛选结束，输出初选特征子集F
b
。4.根据权利要求1或2所述的基于mRMR
‑
免疫克隆的网络态势特征选择方法，其特征在于，所述步骤(3)具体为：将经mRMR算法初选后的特征子集...

【专利技术属性】
技术研发人员：任威霖，刘俊涛，王元斌，张剑，
申请(专利权)人：中国船舶集团有限公司第七〇九研究所，
类型：发明
国别省市：