语音识别特点提取仿真设计
开篇：润墨网以专业的文秘视角，为您筛选了一篇语音识别特点提取仿真设计范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
1引言
近年来，网络的作用在人们的日常生活中变的不可或缺，通过网络，人们能够迅速完成信息资源的传递和共享［1］，在享受互联网带来的各种便利的同时，网络中也存在着大量的威胁，网络安全问题得到了相关部门越来越多的重视。当前，对网络威胁最为巨大的就是隐藏在各种服务中的网络恶意攻击，这些恶意攻击包含大量的对网络破坏能力极强的代码，它们的存在是对网络安全的极大威胁。为了抵制不良攻击对网络的侵害，越来越多的学者把目光转向了恶意攻击的过滤方法研究上，希望通过攻击过滤的方法［2］，把有威胁的攻击阻挡在网络的外部，保证网络的安全性。传统的过滤算法有规则匹配算法，支持向量机的过滤算法等等，这些算法成为当前研究的一个热点。但是，传统的网络攻击过滤方法存在一个问题，就是这些攻击过滤方法多是基于有明确种类攻击归属的特征进行攻击有害判定的，这些方法也没有考虑那些很难建立归属的野攻击，这就使得一些分化后的野攻击，躲避了传统的分类识别检测方法，通过这种伪装，逃避网络攻击检测算法过滤。当野攻击躲过传统的分类检测算法后，造成过滤的漏检率很高［3］。因此，如何能够准确过滤网络攻击中的无法分类的野攻击，保证网络信息安全的环境，成为一个难题。为了解决这一问题，提出了一种反馈学习的网络攻击过滤方法，建立反馈学习模型，通过反馈训练对网络攻击中存在的野攻击进行检测，利用检测错误驱动进行下一步的迭代训练，完成对野攻击的准确分类。随着反馈的进行，反馈学习能捕捉到网络中攻击种类的细微变化，分类性能逐步提高。实验结果表明，该方法能够很好地检测出不能进行种类划分的野攻击，并完成过滤，实现方法简单高效，取得了令人满意的效果。
2网络攻击过滤原理
网络恶意攻击过滤也被称为网络抗攻击检测，俗称防火墙。这种方法根据网络中攻击的不同种类，通过对恶意攻击的有效分类，利用攻击特征的一致性完成对恶意攻击的有效分类过滤［4～5］。具体过滤步骤如下:首先建立起网络中的恶意攻击检测分类模型，运用该模型提取出恶意攻击的有效特征，设为Y(x，y);根据组建的网络恶意攻击模型，对网络中的存在的恶意攻击特性与正常程序的特性进行比较，选取有可能是潜在的恶意攻击程序作为分类对象，方法如下:通过网络对网络异常攻击的分类，进行有效的过滤最终保证网络的安全。传统的网络攻击过滤方法是以网络攻击的有效分类结果为基础的，分类结果的好坏直接影响着过滤的结果。但是，当网络攻击发生多次分化，特征与其它网络攻击特征相差较大的时候，网络聚类划分的方法对这些野攻击很难进行类别的判断，造成在第二步对网络攻击进行分类的时候，不能准确分类，根据式(2)知，分类结果珔Seqi不包含这些野攻击，分类会出现较大的误差，这样就导致了式(3)中的过滤结果不准确，式(3)很难保证对没有参与分类的野攻击有效过滤，漏检率高的问题。为了解决这一问题，提出了一种反馈学习的网络攻击过滤方法，通过反馈训练对野攻击进行检测，完成对野攻击的准确分类，反馈学习能捕捉到网络中攻击种类的变化，分类性能逐步提高，克服传统方法的缺陷。实验证明，该方法能快速准确的过滤网络不良攻击，效果良好。
3联系概率的节点数据异常检测
反馈学习算法寻找位于两个类别边界处的点并对分类错误的网络攻击进行反馈。网络攻击模型的分类处理主要与分类边界处的支持向量有关，对不同攻击进行分类后，证明是包含该网络攻击的相关信息的有效种类，则可以规划到能够进行正常进算的网络攻击种类中。对于网络野攻击，会划分到分类的错误信息里，分类错误网络攻击含有原模型中所不包含的分类信息，这些信息是算法研究的重要内容。而这些网络攻击中的野攻击在网络的分类中占的比例并不大。可用于进行信息反馈的内容并不多，但是他们的存在却能克服也攻击对信息过滤的影响，大幅提高分类的准确性。对于网络攻击分类而言，通过二次优化训练处理，获得位于分类边界处由数据点组成的集合，用于分类处理。这些数据点，包括不能被划分种类的野攻击，一般都位于分界点的边界上，被无划分到某个种类中。对于网络边缘攻击向量集K，它与正常网络攻击中的种类比较是比较小的，可以用KE表示。这样的攻击向量包含了所有的有效网络攻击和野攻击。因此，对于网络攻击过滤而言，良好的增量训练学习能够为网络攻击划分打下基础，而对于反馈学习，则可以充分利用其增量学习的优点，对不能被正常分类的网络野攻击进行有效的划分，切除误划分的影响，获取新的分类野攻击分类模型Ω＇及野攻击向量集。
3．1反馈分析及优化算法的第一步是构造的网络野攻击判断的决策函数，一般情况下，是通过网络攻击隶属度大小对进行网络类别划分的一个重要依据，划分的标准是通过攻击特征到类特征中心之间的距离，这样就能衡量网络攻击对类的贡献度的大小。目前，在网络攻击过滤中，基于攻击间特征距离的隶属度函数，是将攻击的隶属度看作是网络攻击特征空间中样本种类划分的一个重要依据。通过向量的划分能够对攻击向量进行准确的划分，其中，不能被划分的野攻击也有自己固定的特征，野攻击一般满足下面三条要求:1)野攻击位于分类种类的边缘，与正常的网络攻击边界同侧，满足0%yif(xi)＜1;如图中S1;2)野攻击位于分类种类的边缘，与正常的网络攻击边界异侧，满足－1%yif(xi)＜0;如图中S2;3)野攻击位于分类种类的边缘外，与正常的网络攻击边界异侧，满足yif(xi)＜－1;如图中S3;通过野攻击种类划分的分布，发现野攻击种类划分的分布是种类划分中的特例。在正常是网络种类划分中，这种情况被认为是错误的。所以选取这种所谓的错误的分类样本作为划分中的反馈学习样本，这样分类方案中考虑了野攻击对分类有贡献的新增信息，这些新信息就是不能被正确划分的野攻击。训练得到的野攻击集E可以作为反馈的数据源，反馈网络攻击集需要与原模型的正常网络攻击几何一起训练，这些网络攻击有可能已成为正常的网络攻击种类划分的一部分，若仍留在野攻击集合S中，则会影响模型的效果。因此，在进行训练网络攻击的反馈学习过程中，反馈训练前需首先对该类反馈网络攻击进行检测，保证模型的正确性。
3．2反馈处理算法流程针对以上处理，具体网络攻击过滤反馈处理算法步骤如下:1):对网络攻击的分类结果集合R中的边缘网络攻击di∈R进行反馈处理，对R中的所有错误网络攻击，也就是野攻击进行反馈，选取的比例不宜太大，因为野攻击并不常见，根据环境确定。根据网络野攻击特征对需要进行反馈处理的网络攻击，给出反馈类别，存入反馈网络攻击集F，准备进行有效的野攻击特征收集工作。2)所有网络攻击反馈得到处理后，需要对网络攻击的特征进行检测，特征向量化处理以及特征提取，读取出支持特征向量集合ezxd为网络攻击中的向量集合中的数量，为下一步的反馈训练进行准备工作。3):开始进行网络野攻击反馈提取，从反馈攻击集F中读取任一网络攻击，计算得到攻击向量，从原网络攻击划分模型Ω的可见集合S中读取相应的数据，反馈网络攻击向量，计算结果如下:4)对网络攻击集合F的反馈攻击进行是否为野攻击的类型判断，若网络攻击属于反馈网络野攻击，则对其与进行反馈加权分类处理，计算反馈向量和相关的分类相似度，运用空间特征角度计算其相似性距离，表示了攻击间种类的相似程度。夹角越小说明攻击的相似度越高。sim(f，若计算得到的角度大于θm，则表示网络攻击与野攻击种类相同，对其进行种类划分。5):重复3)，直到所有的反馈网络攻击都能找到归属的范围，获得新的的网络攻击向量集k＇。6)重新收集网络攻击的特征向量，进行特征总结。7)取反馈学习网络攻击集F，新收集的网络攻击特征M与支持向量k＇的并集作为训练集，进行迭代计算，求出新的种类划分。
4实验结果及对比
为了验证本文算法的有效性，采用对比测试的方法来完成计算机仿真，通过传统的网络攻击过滤方法和本文提出的基于反馈学习的网络攻击过滤方法进行网络攻击的过滤。流程图如图2所示。选用可分为不同种类的8个网络攻击作为过滤实验对象，其中，在8种攻击中，有2～3个分化的野攻击，这么做的目的是为了构建难易划分的网络攻击存在的环境。然后通过传统方法和本文方法对该网络攻击进行过滤检测，过滤准确性的趋势如图3所示。图3中，横坐标表示网络攻击的数量级，纵坐标表示过滤的准确度。下方的线代表的是传统的方法，而上方的线代表的是本文的方法。通过上面的趋势图可以看出，随着网络攻击的数量级的增加，存在的野攻击也会增加。本文算法的成功过滤率要远远高于传统方法，这是因为随着野攻击数量的不断增加，传统方法无法对其准确的进行种类划分，因此传统方法的漏检率很高。具体的统计结果如下表1所示:由上述统计数据可以看出，本文提出的基于反馈学习的网络攻击过滤方法研究过滤的网络攻击数量远多于传统的网络攻击过滤方法，不仅检测操作过程而且完整地检测出了隐藏的野攻击，检测的效率高，有效地保护了网络数据的安全。
5结束语
本文提出基于反馈学习的网络攻击过滤方法研究，通过反馈训练对野攻击进行检测，利用错误驱动进行训练，完成对野攻击的准确分类。随着反馈的进行，反馈学习能捕捉到网络中攻击种类的变化，分类性能逐步提高，克服传统方法不能很好过滤野攻击的弊端，实验证明，该方法能快速准确的完成网络不良攻击的过滤，取得了不错的效果，随着网络技术的不断发展，本文的方法将显示出更为重要的实际意义。