论文部分内容阅读
以入侵检测系统中的分类器设计为例，研究分类器训练样本选择问题．提出了一种大规模数据集的训练样本选择方法．首先通过聚类将训练数据划分为不同的子集，缩小搜索范围；然后根据聚类内离散度和样本的覆盖区域选择样本，保留每个聚类的边界样本，删除内部样本．仿真结果证实，由于保留了典型样本，减少了训练样本数量，从而保证了分类器的性能且训练效率较高．