2017-4-17

上周学习情况：

（1）确定攻击主要来自4个方面，并将会对这几方面做实验：

• 拒绝服务，如SYN洪水；
• R2L：从远程计算机上未经授权的访问，例如：猜测密码；
• U2R：未经授权的访问本地超级用户（root）的权限，例如，各种“缓冲区溢出”攻击；
• 探测：监视和其他探测，例如，端口扫描。

（2）下载了kdd cpu99数据集，打算对这个数据做实验

（3）打算使用WSVM：加权支持向量机实验，并对惩罚参数和核函数稍作改进，作为论文的算法。

---

《不确定性支持向量机算法及应用》

第一章 最优理论基础

1.1最优化问题

1.1.1

$$\begin{cases} min, & \text{f(x)} \\ 3n+1, & \text{s.t x属于S} \end{cases}$$

1. f(x) –>目标函数

1. x –>决策变量

1. S –>约束条件

1.1.2

线性规划

1.1.3

凸最优化

---

1.2最优性条件

KKT条件

1.3最优化算法

线性逼近法
    线性约束条件下的线性逼近法
    非线性约束条件下的线性逼近法
可行方向法
投影梯度法
罚函数法

---

第二章 不确定性数学问题

2.1 模糊数学

隶属函数
隶属程度
过渡点

2.2 粗糙集 rough sets
2.3 未确知理论

---

第三章 统计学习理论与支持向量机

3.1 统计学习理论
3.2 支持向量机分类

---

---

2017-4-28

start>>
选定训练集合测试集 >> 规范化 >> 特征提取 >>
利用训练集训练分类器得到model >>
利用model对测试集进行预测 >>
分类器性能评估[准确率高低]

---

mex -setup <或mex -v name.cpp看具体>
make

---

对于数据.mat需要先加载进来
load heart_scale.mat （有两个，一个数据矩阵heart_scale_inst，一个标签矩阵heart_scale_label）

---

①训练集：train = heart_scale_inst;
②训练集标签：train_label = heart_scale_label;
③④测试集，测试集标签暂定和训练集中一样
test = train;
test_label = train_label;

---

生成model
model = svmtrain(train_label,train,’-c 2 -g 0.01’);
预测
[predict_label,accuracy,decison_value] = svmpredict(test_label,test,model,’-b 0’);
结果显示：
Accuracy = 85.1852% (230/270) (classification)

---

实验2：wine

wine_SVM.m
随机分训练集 测试集
Accuracy = 90.9091% (80/88) (classification)

实验2.2：wine 规范化

加上规范化翻书，不是必须的

实验3：wine 三分类

svm2.m