Page 39 - 网络电信2022年2月刊

BW,BW 是光通信信息系统里信息属性子集序列。
定义5 假定光通信信息系统是 LR = (V,B,U,g),Ω∈B,Ω
表示光通信信息属性子集,VD(r) =[r] D /V,V D (r)是r的权值,r的 (6)
异常水平是:
(2)

*
式中,β与β 是拉格朗日乘子,βm 是第m个学习样本的拉格朗
定义6假定光通信信息系统是LR=(V,B,U,g),U代表阈值,随 日乘子;j 为第 j 组样本。
机一个r存在r∈V,若 EOF(r)大于U,那么r属于光通信息系统里 为了优化求解效率,把式(6) 变换为对偶模式,则:
一个基于信息熵的异常数据。
基于信息熵的光通信异常大数据挖掘方法的挖掘步骤如下:
输入:光通信信息系统LR=(V,B,U,g),阈值U; (7)
输出:光通信信息中异常数据集合 a m 。
(1)将光通信信息系统LR=(V,B,U,g) 信息各个属性,实施下
述处理:
a.按照V里r在属性中取值,实施基数排列 [9-10] ;b.运算信息
熵。 其中,i是第i组样本。第j组学习样本的拉格朗日乘子依次
*
*
(2)建立按照信息熵排序的光通信信息单属性序列; 是β j 、β j 。第i组学习样本的拉格朗日乘子依次是β i 、β i 。
(3)建立光通信信息属性子集序列; 第j组光通信异常数据样本的核函数是 ,第i组光通信异常
(4)将光通信信息属性子集序列里各个属性子集 数据样本的核函数是 (a i )。
实施下述处理: 针对线性回归问题,支持向量机函数是:
a.将V里r在属性子集中取值,实施基数排列;
b.运算信息熵。 (8)
(5)将V里r实施下述处理:
a.运算r的属性子集的相对信息熵; 2）蚁群算法优化支持向量机参数
b.运算r的异常水平。 (1)初始化支持向量机参数范围,设置蚂蚁j的初始信息素值
(6)输出光通信信息异常数据集合 a m 。 Δη(j)。
2.基于蚁群优化支持向量机算法的光通信信息安全态 (9)
势预测方法 若g(a j )无限大,信息素浓度和0之间的差值极小,所以,修正
1）支持向量机算法 适应度g(a j ):
假定存在m个光通信信息异常数据的学习样本{a m ,b m },当中
am 描述光通信信息异常数据样本输入,b m 描述光通信信息安全 (10)
态势预测的输出期望值。支持向量机估计函数是:
(3)
式中,g(a j )的均值是 是修正后适应度值。
式中,权向量与偏置向量依次是 为核函数。 (2)蚁群转移规则
使用式(3)优化 b m ,则: 先在种群随机选取 h 个个体,之后将个体里信息素浓度最
高的个体设成目标个体 A obj 。
(4)
(11)
约束条件是:

(5) 其中,上次迭代所得到的最优解是 A best 。
将上次迭代所得最佳解的蚂蚁 Abest,在它周围实施细致的
局部检索,则:

式中,松弛因子是 ;惩罚因子是 D。 (12)
导进拉格朗日乘子,将上述优化问题转变成凸二次优化问题 ［13－15］ 。则:

网络电信 二零二一年一、二月 67