一种面向混合数据的自反馈模糊聚类分析算法
模糊聚类方法
模糊聚类方法1. 引言模糊聚类是一种将相似的数据点分组的无监督学习技术。
与传统的硬聚类方法相比，模糊聚类通过为每个数据点分配属于不同簇的隶属度来提供更灵活的聚类结果。
本文将介绍模糊聚类方法的基本原理、常用算法以及在实际应用中的一些注意事项。
2. 模糊聚类的基本原理模糊聚类方法的核心思想是将每个数据点划分为多个簇的一部分，而不是将其硬性地分配到某个具体的簇中。
每个数据点属于不同簇的隶属度之和为1，隶属度越大表示该数据点属于该簇的可能性越高。
通过使用模糊聚类方法，我们可以更好地处理数据的不确定性和噪音，同时提供更丰富的聚类结果。
相比硬聚类方法，模糊聚类能够提供更多的信息，适用于更广泛的应用。
3. 常用的模糊聚类算法3.1 模糊C均值聚类算法（FCM）模糊C均值聚类算法是最常用的模糊聚类算法之一。
它在每次迭代中通过计算数据点到簇中心的欧氏距离来更新隶属度，并通过最小化目标函数来调整簇中心的位置。
FCM算法的优点在于对于噪音和离群值的处理能力较强，且具有较好的收敛性。
然而，它对于初始聚类中心的选择较为敏感，且对于大数据集的计算效率较低。
3.2 模糊子空间聚类算法（FSCM）模糊子空间聚类算法是一种基于子空间的模糊聚类方法。
它在模糊聚类的基础上考虑了数据的高维性和局部结构，通过将数据点投影到子空间中进行聚类。
FSCM算法的特点在于能够处理高维数据和具有相关性的特征，且对于离群值具有较好的鲁棒性。
然而，由于需要对每个子空间进行聚类，计算复杂度较高。
3.3 模糊谱聚类算法（FSPC）模糊谱聚类算法是一种基于图论的模糊聚类方法。
它通过构建数据点之间的相似度图，并通过计算图的拉普拉斯矩阵的特征向量来进行聚类分析。
FSPC算法的优点在于能够处理非凸数据分布和非线性数据结构，且对于图的建模和谱分解具有较好的效果。
然而，算法的计算复杂度较高，且对于参数的选择较为敏感。
4. 模糊聚类的实际应用模糊聚类方法在多个领域中都有广泛的应用。
三类模糊聚类方法
三类模糊聚类方法三类模糊聚类方法模糊聚类是一种常用的数据聚类算法，它可以将样本点的分类问题转化为模糊集合的问题来求解。
根据模糊集合的划分方式，模糊聚类算法可以分为三类，即层次模糊聚类算法、基于相似度的模糊聚类算法和基于混合模型的模糊聚类算法。
（1）层次模糊聚类算法层次模糊聚类算法是一种简单好用的聚类算法，它的思想是通过使用不同的层次深度来划分模糊集合。
层次模糊聚类算法的典型算法有均值层次模糊聚类算法(FCM)、均方层次模糊聚类算法(SFCM)、最大化均值差层次模糊聚类算法(EMFCM)和缩放层次模糊聚类算法(SCFCM)等等。
（2）基于相似度的模糊聚类基于相似度的模糊聚类算法是一种聚类算法，它基于样本之间的相似度来划分模糊集合。
基于相似度的模糊聚类算法的常用算法有基于基础距离度量的模糊聚类算法(Fuzzy C-Means,FCM)、改进型模糊C均值算法(Modified FCM,MFCM)和改进型支持向量机算法(Modified SVM,MSVM)等。
（3）基于混合模型的模糊聚类基于混合模型的模糊聚类算法是一种基于混合模型的聚类算法，它引入了混合模型来构建模糊集合，有效地解决了其他模糊聚类算法中存在的缺陷，如局部最优性和忽略数据分布等问题。
基于混合模型的模糊聚类算法的典型算法有基于混合Normal模型的模糊聚类算法(Mixture Normal Fuzzy C-Means,MNFFCM)、基于混合Gausssian模型的模糊聚类算法(Mixture Gaussian Fuzzy C-Means,MGFCM)、基于混合Beta模型的模糊聚类算法(Mixture Beta Fuzzy C-Means,MBFCM)和基于混合Gamma模型的模糊聚类算法(Mixture Gamma Fuzzy C-Means,MGFCM)等。
模糊聚类的原理和应用
模糊聚类的原理和应用1. 简介模糊聚类是一种聚类分析方法，它通过考虑数据点属于不同聚类的程度，使得数据点可以同时属于多个聚类。
与传统的硬聚类方法不同，模糊聚类能够更好地处理实际问题中的复杂性和不确定性。
本文将介绍模糊聚类的原理和应用。
2. 模糊聚类的原理在传统的硬聚类方法中，每个数据点只能隶属于一个聚类，而在模糊聚类中，每个数据点可以属于多个聚类，且属于不同聚类的程度可以从0到1之间的任意值。
这种程度被称为隶属度，用来表示数据点与聚类的关联程度。
模糊聚类的原理可以通过以下步骤来解释：1.初始化聚类中心：首先随机选择一些数据点作为聚类中心。
2.计算隶属度：计算每个数据点与每个聚类中心的隶属度，可以使用模糊C均值（FCM）算法来计算。
3.更新聚类中心：根据隶属度计算出每个聚类的中心点，更新聚类中心。
4.重复步骤2和3，直到聚类中心不再变化或达到预设的迭代次数。
模糊聚类的核心是通过计算隶属度来确定每个数据点对每个聚类的归属程度，从而实现多类别的聚类。
3. 模糊聚类的应用模糊聚类在许多领域中具有广泛的应用，包括数据挖掘、模式识别、图像处理和生物信息学等。
以下是几个常见的应用领域：3.1 数据挖掘在数据挖掘中，模糊聚类可以帮助找到数据集中的隐藏模式和关联规则。
通过将数据点划分到不同的聚类中，可以更好地理解数据的结构和特征。
模糊聚类还可以用作预测分析和聚类分析的基础。
3.2 模式识别在模式识别中，模糊聚类可以帮助将输入数据分类到模式类别中。
通过考虑隶属度，模糊聚类可以更好地处理模糊和不确定性的输入数据。
这在人脸识别、手写体识别等任务中非常有用。
3.3 图像处理在图像处理中，模糊聚类被广泛应用于图像分割和图像压缩等任务。
通过将图像像素划分到不同的聚类中，可以实现图像的分割和压缩。
模糊聚类还可以用于图像特征提取和图像检索等应用。
3.4 生物信息学在生物信息学中，模糊聚类被用于处理基因表达数据和蛋白质序列数据等。
基于模糊聚类的自动化数据分类
基于模糊聚类的自动化数据分类在当今数字化时代，数据如同潮水般涌来，如何有效地对这些海量数据进行分类和管理，成为了摆在我们面前的一个重要课题。
模糊聚类作为一种强大的数据分析工具，为自动化数据分类提供了全新的思路和方法。
首先，让我们来理解一下什么是数据分类。
简单来说，数据分类就是根据数据的特征和属性，将其划分到不同的类别中。
比如，在一个电商平台上，根据用户的购买行为、浏览记录等数据，将用户分为不同的消费群体，以便进行精准营销。
在传统的数据分类方法中，往往采用的是明确的边界和严格的分类规则。
然而，现实中的数据往往并不那么清晰和明确，存在着很多模糊性和不确定性。
这时候，模糊聚类就派上了用场。
模糊聚类允许数据在不同的类别之间存在一定程度的重叠，更加符合实际情况。
它不像传统聚类方法那样将数据对象严格地划分到某一个类别中，而是为每个数据对象赋予一个属于不同类别的隶属度。
那么，模糊聚类是如何实现自动化数据分类的呢？它通常包括以下几个主要步骤。
第一步是数据预处理。
这就像是为一场比赛做好准备工作一样。
要对原始数据进行清洗、去噪和标准化处理，确保数据的质量和一致性。
比如说，如果数据中存在缺失值，就需要采用合适的方法进行填充；如果数据的量纲不同，就需要进行标准化，将它们统一到相同的尺度上。
第二步是特征选择。
这就好比在一堆物品中挑选出最有代表性的东西。
从众多的数据特征中选择出对分类最有帮助的那些特征，减少数据的维度，提高分类的效率和准确性。
第三步是确定聚类的数目。
这可不是一件容易的事情，需要根据具体的问题和数据特点来进行判断。
有时候可以通过一些经验法则或者先验知识来确定，有时候则需要通过多次试验和比较来找到最合适的聚类数目。
第四步就是真正的聚类过程了。
在这一步中，使用模糊聚类算法对数据进行分组。
常见的模糊聚类算法有模糊 C 均值算法（FCM）等。
这些算法会根据数据之间的相似性，计算每个数据对象对于不同类别的隶属度。
最后一步是对聚类结果进行评估和优化。
数据挖掘中的聚类分析方法
数据挖掘中的聚类分析方法数据挖掘是一种通过智能计算和算法挖掘数据价值的技术。
而数据挖掘中的聚类分析方法则是其中的一个重要分支。
聚类分析是指将相似的数据组合在一起，不同的数据分开，形成不同的类别。
聚类分析在机器学习、数据分析、数据挖掘、图像处理等领域有广泛的应用。
本文将从聚类分析的定义、算法、分类等方面进行讲解。
一、聚类分析的定义聚类分析是一种无监督学习算法，它主要用于将样本根据各自的相似性分成若干类别。
聚类分析主要有两种方法：层次聚类和划分聚类。
层次聚类是一种自下而上的聚类方法，将每个样本视为一个初始聚类，然后将聚类依次合并，形成更大的聚类，直到所有样本都组成一个聚类。
层次聚类的结果是一个聚类树状结构，通过剪枝可以获得不同的聚类结果。
划分聚类是一种自上而下的聚类方法，将所有样本看作一个大的聚类，然后逐渐将其划分成更小的聚类，最终得到所需的聚类数目。
划分聚类主要有K均值聚类和高斯混合模型聚类二、聚类分析的算法(一) 层次聚类算法层次聚类常用的算法是自底向上的聚合算法和自顶向下的分裂算法。
自底向上的聚合算法是指先构造n个初始聚类，然后迭代合并最接近的两个聚类，直到达到某个停止条件。
这个停止条件可以是达到了所需的聚类数目，也可以是聚类之间距离的最大值。
自顶向下的分裂算法则是从所有样本开始，将其划分成两个聚类，然后逐步分裂聚类，得到所需的聚类数目。
(二) K均值聚类K均值聚类是一种划分聚类算法，它需要先指定K个聚类中心，然后根据距离来将样本点分配给不同的聚类中心。
然后将每个聚类内部的样本的均值作为该聚类的新中心，重新计算每个样本点和聚类中心的距离，直到聚类中心不再改变或达到一定的迭代次数。
K均值聚类的优势在于简单快速，具有很好的可扩展性和聚类效果。
但是这种算法需要预先确定聚类中心数，且对初始聚类中心的选择比较敏感。
(三) 高斯混合模型聚类高斯混合模型聚类是一种基于概率密度估计的算法，它假设每个聚类的密度函数是一个高斯分布。
模糊聚类算法（FCM）
模糊聚类算法（FCM）伴随着模糊集理论的形成、发展和深化，RusPini率先提出模糊划分的概念。
以此为起点和基础，模糊聚类理论和⽅法迅速蓬勃发展起来。
针对不同的应⽤，⼈们提出了很多模糊聚类算法，⽐较典型的有基于相似性关系和模糊关系的⽅法、基于模糊等价关系的传递闭包⽅法、基于模糊图论的最⼤⽀撑树⽅法，以及基于数据集的凸分解、动态规划和难以辨别关系等⽅法。
然⽽，上述⽅法均不能适⽤于⼤数据量的情况，难以满⾜实时性要求较⾼的场合，因此实际应⽤并不⼴泛。
模糊聚类分析按照聚类过程的不同⼤致可以分为三⼤类：(1)基于模糊关系的分类法：其中包括谱系聚类算法(⼜称系统聚类法)、基于等价关系的聚类算法、基于相似关系的聚类算法和图论聚类算法等等。
它是研究⽐较早的⼀种⽅法，但是由于它不能适⽤于⼤数据量的情况，所以在实际中的应⽤并不⼴泛。
(2)基于⽬标函数的模糊聚类算法：该⽅法把聚类分析归结成⼀个带约束的⾮线性规划问题，通过优化求解获得数据集的最优模糊划分和聚类。
该⽅法设计简单、解决问题的范围⼴，还可以转化为优化问题⽽借助经典数学的⾮线性规划理论求解，并易于计算机实现。
因此，随着计算机的应⽤和发展，基于⽬标函数的模糊聚类算法成为新的研究热点。
(3)基于神经⽹络的模糊聚类算法：它是兴起⽐较晚的⼀种算法，主要是采⽤竞争学习算法来指导⽹络的聚类过程。
在介绍算法之前，先介绍下模糊集合的知识。
HCM聚类算法⾸先说明⾪属度函数的概念。
⾪属度函数是表⽰⼀个对象x ⾪属于集合A 的程度的函数，通常记做µA(x)，其⾃变量范围是所有可能属于集合A 的对象（即集合A 所在空间中的所有点），取值范围是[0,1]，即0<=µA(x)，µA(x)<=1。
µA(x)=1 表⽰x 完全⾪属于集合A，相当于传统集合概念上的x∈A。
⼀个定义在空间X={x}上的⾪属度函数就定义了⼀个模糊集合A，或者叫定义在论域X={x}上的模糊⼦集A’。
模糊 c 均值聚类算法
模糊 c 均值聚类算法模糊 c 均值聚类算法是一种常用的聚类算法，其特点是能够解决数据集中存在重叠现象的问题，适用于多类别分类和图像分割等领域。
本文将从算法原理、应用场景、优缺点等方面分析模糊c 均值聚类算法。
一、算法原理模糊 c 均值聚类算法与传统的聚类算法相似，都是通过对数据集进行聚类，使得同一类的数据样本具有相似的特征，不同类的数据样本具有不同的特征。
但是模糊c 均值聚类算法相对于传统的聚类算法而言，其对于数据集中存在重叠现象具有一定的优越性。
模糊 c 均值聚类算法的主要思想是：通过迭代计算，确定数据集的类别个数，并计算每个数据样本属于不同类别的概率值。
在此基础上，通过计算每个聚类中心的权值，并对每个数据样本属于不同类别的概率进行调整，以达到数据样本的合理分类。
二、应用场景模糊 c 均值聚类算法的应用范围较广，主要包括：1.多类别分类：在多类别分类中，不同的类别往往具有比较明显的特征区别，但是存在一些数据样本的特征存在重叠现象。
此时，模糊 c 均值聚类算法可以对这些数据样本进行合理分类。
2.图像分割：在图像分割过程中，一张图片包含了不同的对象，这些对象的特征往往具有一定的相似性。
模糊 c 均值聚类算法可以通过对这些相似的特征进行分类，实现对于图像的自动分割。
3.市场分析：在市场分析中，需要根据一定的统计规律，对市场中的产品进行分类。
模糊 c 均值聚类算法可以帮助市场研究人员实现对市场中产品的自动分析分类。
三、优缺点分析模糊 c 均值聚类算法相对于传统的聚类算法而言，其对于数据集中存在重叠现象具有一定的优越性，具体优缺点如下所示：1.优点：(1) 能够有效地解决重叠现象问题，在多类别数据分类和图像分割等领域具有比较好的应用前景。
(2) 通过迭代计算，能够实现对数据集的自动分类，自动化程度高。
2.缺点：(1) 算法的时间复杂度比较高，需要进行多次迭代计算，因此在数据量较大时，运算时间比较长。
(2) 模糊 c 均值聚类算法对于初始聚类中心的选择较为敏感，不同的聚类中心初始化可能会导致最终分类效果的不同。
模糊聚类方法
模糊聚类方法模糊聚类是一种基于模糊集合理论的聚类算法，它在数据分析和模式识别中得到广泛应用。
与传统的硬聚类方法相比，模糊聚类能够更好地处理数据中的不确定性和模糊性，能够给出每个数据点属于不同聚类的概率，从而更全面地描述数据的特征。
一、模糊聚类的基本原理模糊聚类的基本原理是根据数据点之间的相似性将它们分成不同的聚类。
与传统的硬聚类方法不同，模糊聚类允许数据点属于多个聚类，且给出每个数据点属于不同聚类的权重。
通过引入隶属度函数，模糊聚类能够更好地处理数据的模糊性，给出更丰富的聚类结果。
二、模糊聚类的算法步骤模糊聚类的算法步骤一般包括以下几个方面：1. 初始化隶属度矩阵：隶属度矩阵用于描述每个数据点属于每个聚类的概率，一般通过随机初始化或者根据先验信息进行初始化。
2. 计算聚类中心：根据隶属度矩阵计算每个聚类的中心点，一般采用加权平均的方式计算。
3. 更新隶属度矩阵：根据当前的聚类中心，更新隶属度矩阵，使得每个数据点更准确地属于不同聚类。
4. 判断停止条件：根据一定的准则（如隶属度矩阵的变化程度或者目标函数的收敛性）判断是否达到停止条件，如果未达到，则返回第2步继续迭代。
5. 输出聚类结果：根据最终的隶属度矩阵，确定每个数据点最可能属于的聚类，输出聚类结果。
三、模糊聚类的优势相比传统的硬聚类方法，模糊聚类具有以下优势：1. 能够更好地处理数据的模糊性和不确定性。
在现实世界的数据中，往往存在一些边界模糊或者属于多个类别的情况，传统的硬聚类无法很好地处理这种情况，而模糊聚类能够给出每个数据点属于不同聚类的概率。
2. 能够更全面地描述数据的特征。
传统的硬聚类方法只能将数据点划分为一个聚类，而模糊聚类能够给出每个数据点属于不同聚类的权重，从而更全面地描述数据的特征。
3. 能够适应不同的聚类形状和大小。
传统的硬聚类方法通常假设聚类的形状是凸的，并且假设聚类的大小相等，但在实际应用中，聚类的形状和大小往往是不确定的，而模糊聚类能够更好地适应不同的聚类形状和大小。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目的是 实 现对 来 自系统 内部 、 部 的攻 击及 误 操 作 外 的实时保 护 。 目前 ， 已成 为信 息安 全层 次化 综 合 防 它 御 系统 的重要 组成 部分 。
一
种 面 向混 合 数 据 的 自反馈 模 糊 聚 类 分 析 算 法
Ａ ｅ ｂ ｃ Ｆｅ ｄ ａ ｋ Ｆｕｚ ｙ Ｃｌ ｓ ｅ ｉ ｇ Ｍ ｅ ｈ ｄ Ｏｒｅ ｔ ｄ Ｍ ｉ ｅ ｚ ｔ ｒｎ ｕ ｔｏ ｉｎ ｅ ｘｄ
Ｄａ ａ ｔ
令 狐 大智 李 陶深 ，
ＬＩ ＮＧＨＵ — ｈｉ。 ｏ ｓ ｎ Ｄａ ｚ ＬＩＴａ —ｈｅ
Ｃｏ ｌｇｅ， ｎｎ ｎ Ｇｕ ｎ ｉ ５ ００ ３， ｉ ａ； ． ｈｏ ｌｏ ｍ ｐ ｔ ｒ， ｅ ｔ ｏ ｉｓ ａ ｄ Ｉ ｆ ｒ ｔｏ ｌ ｅ Ｎａ ｉ ｇ， ａ ｇｘ ， ３ ０ Ｃｈ ｎ ２ Ｓｃ ｏ ｆ Ｃｏ ｕ ｅ Ｅｌｃ ｒ ｎ ｃ ｎ ｎ ｏ ｍａ ｉｎ，
Ｇｕ ｎ ｘ ｉｅ ｓ ｙ， ｎ ｉ ｇ， ａ ｇ ｉ ５ ０ ０ ， ｉ ａ ａｇ ｉ Ｕｎ ｖ ｒ ｉ Ｎａ ｎ ｎ Ｇｕ ｎ ｘ ， ３ ０ ４ Ｃｈ ｎ ） ｔ
维普资讯
广 西 科 学 院学 报
Ｊ ｕ ｎ ｌ ｆ ａ ｇ ｉＡｃ ｄ ｍｙ ｏ ｃｅ ｃ ｓ ｏ ｒ ａ ｏ Ｇｕ ｎ ｘ ａ ｅ ｆＳ ｉｎ ｅ
２ ００７， ２３（ ４）： ９～ ２ １ ２２ ３ Ｖｏ． １ ２３， ｏ． Ｎ ｏ ｍ ｂ ｒ ２ ０７ Ｎ ４ ｖｅ ｅ ０
Ｋｅ ｒ ｓ：ｎｔｕｓｏ ｅ ｅ ｔｏ ｆ ｚ ｌ ｓｅ ｓ ｌ—ｅ ｄ ａ ｋ， ｙ ｗｏ ｄ ｉ ｒ ｉｎ ｄ ｔ ｃ ｉｎ，ｕｚ ｙ ｃｕ ｔ ｒ，ｅｆ ｆｅ ｂ ｃ ＦＣＭ ＢＰ
入 侵 检测 系 统是 一 种 主 动安 全 防护 系统 ， 的 它
其对 产生 入侵 行为 的作 用度 。 虽然 漏 报率有 所 降低 ， 但 是误 报率 却居 高不 下 Ｌ 。本文 利用 动态 自反馈 理 ３ ］ 论 改 造模 糊 聚类 过 程 ， 析 入侵 数据 类 型及 其 在 入 分 侵 中所起 作 用 ， 建立 面 向混 合 数 据 的 自反馈 模 糊 聚 类 方法 ， 在此 基础 上构 建入 侵检 测模 拟系 统 。 验 并 实
（ ．广西 财经 学 院计算 机与 信息 管理 系 ， 西南 宁 １ 广
院 ， 西南 宁 广 ５０ ０ ） ３ ０ ４
５ ０ ０ ；．广西 大学 计算 机 与电子 信息 学 ３ ０３ ２
（ ． ｐ ｒ ｍｅ ｔ ｏ ｍｐ ｔ ｒ ａ ｄ ｎ ｏ ｍａ ｉｎ Ｍ ａ ａ ｅ ｎ ， ａ ｇ ｉ Ｆｉ ａ ｃ ｎ Ｅ ｏ ｏ ｃ １ Ｄｅ ａ ｔ ｎ ｆ Ｃｏ ｕ ｅ ｎ Ｉ ｆ ｒ ｔ ｏ ｎ ｇ ｍｅ ｔ Ｇｕ ｎ ｘ ｎ ｎ ｅ ａ ｄ ｃ ｎ ｍｉｓ
中图法分类号 ： ＴＰ３ １ ６ ０ ．
Ｆ ＭＢ Ｃ Ｐ
文 章 编 号 ：０ ２７ ７ （ ０ ７ ０—２ ９０ １０ —３ ８ ２ ０ ） ４０ ２ —３
文献 标 识 码 ： Ａ NhomakorabeaＡｂ ｔａｃ ： ｓｒ ｔ Ｔｈｉ ｐ ｐ ｒ ｕ ｅ ｙｎ ｍｉ ｅ ｄｂ ｃ ｈ ｏ ｙ ｔ ｅ ｏ ｓ ｒ ｃ ｆ ｚ ｙ ｃｕｓｅ ｉ ｏ ｅ ｓ ａ ｄ ｓ ａ ｅ ｓ ｓ ｄ ａ ｃ ｆ ｅ ａ ｋ ｔ ｅ ｒ ｏ ｒ ｃ ｎ ｔ ｕ ｔ ｕ ｚ ｌ ｔ ｒｎｇ ｐｒ ｃ ｓ ｎ ａ ａ ｙ ｅ ｎ ｒ ｓｏ ｄ ｔ ｔ ｅ ａ ｄ ｔ Ｓ ｏ ｅ ｉ ｉ ｔ ｕ ｉ ｎ ｃ ｉ ｉｙ．Ａ ｆ ｅ ａ ｋ ｕ ｚ ｃｕｓｅ ｉｇ ｎ ｌ ｚ ｉ ｔ ｕ ｉｎ ａ ａ ｙｐ ｓ ｎ ｉ’ ｒ ｌｓ ｎ ｎ ｒ ｓｏ ａ ｔｖｔ ｅ ｄｂ ｃ ｆ ｚ ｙ ｌ ｔ ｒｎ
摘 要 ： 用 动 态 自反 馈 理 论 改 造 模 糊 聚类 过 程 ， 析 人 侵 数 据 类 型及 其 在人 侵 中所 起 的 作用 ， 出 一种 面 向 混 利 分 提 合 数据 的 自反馈 模 糊 聚类 分 析 算 法 ， 用 算 法对 ＫＤ ９数 据 集 进 行 对 比测 试 。测 试 结 果 显 示 ， 方 法 能 够 有 并 Ｄ９ 本 效 提 高 入侵 检测 引 擎 的 检 测 率 ， 低 其 误 报 率 ， 强 计 算 机 系 统 抵 御 入 侵 及 自身免 疫 能力 。 降 增 关 键 词 ： 侵 检 测 模 糊 聚类 自反馈 入
ａｇ ｒｔ ｍ ｒｅ ｅ ｉ ｄ ｄ ｔ ｉ ｐ ｏ ｓ ｄ， ｎ ｈ ｌ ｒｔ ｍ ’ ｅ ｆ ｒ ａ ｃ ｉ ｔ ｓ ｅ ｙ ｕ ｉｇ ｌｏ ｉｈ ｏ ｉｎｔ ｄ ｍ ｘｅ ａ ａ ｓ ｒ ｐｏ ｅ ａ ｄ ｔ ｅ ａｇｏ ｉｈ Ｓ ｐ ｒｏ ｍ ｎ ｅ ｓ ｅ ｔ ｄ ｂ ｓｎ Ｋ ＤＤ ９ ｔ ｅ ．Ｔ ｈ ｘ ｅ ｉ ｅ ａ ｅ ｕ ｔ ｈｏ ｄａ ｅ ｓ ｔ ９ ｅ ｅ ｐ ｒｍ ｎｔ ｌｒ ｓ ｌｓ ｓ ｗ ｔ ａ ｔ ｅ ｈ ｄ ａ ｅ ｆ ｃ ｉｅｙ ｎｃ ｅ ｓ ｈ ｈ ｔ ｈｅ ｍ ｔ ｏ ｃ ｎ ｆｅ ｔｖ ｌ ｉ ｒ ａ ｅ ｔ ｅ ｄｅｅ ｔｏ ａ ｅ ｆ ｉ ｔ ｕ ｉ ｎ ｄ ｔ ｃ ｉｎ ｅ ｉ ｅ ａ ｄ ｅ ｕｃ ｈｅｒ ｅ ｒ ｒ ｒ ｔ ａ ｄ ｅ ｈａ ｅ ｃ ｍ ｐ ｅ ｔ ｃ ｉｎ ｒ ｔ ｓ ｏ ｎ ｒ ｓｏ ｅ ｅ ｔｏ ｎｇ ｎ ｎ ｒ ｄ ｅ ｔ ｉ ｒ ｏ ａ ｅ， ｎ ｎ ｎｃ ｏ ｕｔ ｒ ｓ ｓ ｅ ｓａ ｉ ｓ ｎ ｒ ｓｏ ｎｄ ｓ ｌ—ｍ ｍ ｕｎ ｔ ｙ ｔ ｍ ｇａｎ ｔ ｉｔ ｕ ｉ ｎ ａ ｅｆｉ ｉｙ．