典型文献
基于相关性特征选择和深度学习的网络流分类
文献摘要：
随着网络和多媒体技术的发展,网络流量类别越来越多.网络流量正确分类对服务质量保证、资源分配等非常重要.现有研究中,运用简单的算术运算来融合特征,取得了有效的成果.但是,现有特征融合的运算方法比较单一,且高维特征中存在较多的冗余.为此,提出了增强特征融合方法,生成高维特征,并使用皮尔森相关系数选择最优特征组合.在两个真实数据集上对所提方法进行了测试,发现当特征之间的相关性阈值为0.90时,可以最大程度地删除冗余特征.之后,将选择特征生成二维灰度图,使用卷积神经网络(Convolutional Neural Networks,CNN)分类模型,总体准确率可达99.84％;与文献方法相比,准确率提高了 2～4个百分点.
文献关键词：
网络流分类;特征融合;特征选择;皮尔森相关系数
中图分类号：
作者姓名：
刘会霞;董育宁;邱晓晖
作者机构：
南京邮电大学通信与信息工程学院,江苏南京210003
文献出处：
引用格式：
[1]刘会霞;董育宁;邱晓晖-.基于相关性特征选择和深度学习的网络流分类)[J].南京邮电大学学报（自然科学版）,2022(04):75-84
A类：
网络流分类
B类：
相关性特征选择,多媒体技术,网络流量,正确分类,质量保证,资源分配,算术,算来,融合特征,特征融合,方法比较,高维特征,融合方法,皮尔森相关系数,优特,特征组合,真实数据,删除,冗余特征,特征生成,二维灰度图,Convolutional,Neural,Networks,分类模型,百分点
AB值：
0.384773
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
