1、提 出 网 络 加 密 流 量 识 别 的 特 征 选 择 方法 。 针 对 目 前对 网 络 加 密 流 的 识 别 需 求 以 及 对 网 络 流 加 密 原 理 和 相 关 协 议 的 分 析 ， 本 文 分 别 针 对 应 用 类 型 和 内 容 型 的 识 别 提取 多 种 数据 流 特 征， 如 加 密 协 议 状 态 序 列 、 数 据 包 长 度 、 有 效 载 荷 等 ， 同 时 针 对 加 密 数 据 流 的 多 阶 段 特 点－ 握 手 协 商 阶 段、数 据 传 输 阶 段， 在 上 述 特 征 基 础 上 提 取 加密协 议扩 展字 段 信 息 以 及 ＴＣ Ｐ 数据 段 的 长 度 序 列， 最 后 根 据 特 征 的 不 同 形 式 利 用 不 同 的 算 法 模 型 进 行 结 果 测 试， 分 析 并 选 出 对 识 别 加 密 流 效果 最好 的 特征 。 ２ 、密 流 的 单任 务 识 别 现 状， 本文利 用 选 择 出 的 多 阶 段 特 征 实 现 多 任 务 的 识 别 ， 且 经 过 相 关 实 验 效 果 对 比 与 多 阶 段 特征 的 可 视化 分 析 ， 进 一步 提 出 针对 不 同 识 别 任 务 的 多 阶 段 特征 融 合 算 法 来 提 高 加密 流 量 的 识 别 效 果。 实 验 结 果 表 明 ， 多 阶 段 特 征 的 融 合 不 仅 提 高 了 单 任 务 的 识 别 效 果， 其 识 别 结 果 的 关联 效 果 也优 于 其他方 案 对 多 任 务 的 识 别。 ３ 、设 计 并 实 现 了 在线 网 络 加 密 流 量 分 类 的 原 型 系 统。针 对 当 前实 时 加 密 流 量 识 别 分 类 的 需 求 ， 本 文 以 上 述 多 阶 段 特 征 融 合 算 法 为 理 论 支 撑 ， 提 出 在 线 加 密 流 量 识 别 系 统 的 功 能框架 。 本 文 从离线 训 练 和 在 线 识 别 角 度 阐 述 系 统 的 具 体 实 现 过 程，并 且 将 识 别 效 果 通 过 前后 端界 面 进 行 可 视 化。

降维与特征选择参考程序matlab代码.zip

adaboost进行Gabor特征的选择 文中代码可能有误 详情请参考博文：http: blog csdn net raby gyl article details 22650165

05 特征优化和特征选择.ipynb

这个包是 (Peng et al, 2005 and Ding & Peng, 2005, 2003) 中的 mRMR（minimum-redundancy maximum-relevancy）特征选择方法，它比传统的 top-ranking 方法更好的性能已经在许多最近出版物中的数据集。 该版本使用互信息作为计算变量（特征）之间相关性和冗余的代理。 其他变化，例如使用相关性或 F 检验或距离，也可以在此框架内轻松实现。 Hanchuan Peng、Fuhui Long 和 Chris Ding，“基于互信息的特征选择：最大依赖、最大相关和最小冗余的标准”， IEEE 模式分析和机器智能汇刊， 卷。 27, No. 8, pp.1226-1238, 2005. [PDF] Ding C. 和 Peng HC，“微阵列基因表达数据的最小冗余特征选择”，《生物信息学与计算生物学杂志》，

基于局部类内类间离散度矩阵的类别可分性判据，韩绍卿，李夕海，特征选择是模式识别领域的重要问题之一。特征选择的关键在于特征子集的评价标准。对于某些类别内呈多峰分布的特征选择问题，传统

此工具箱提供二进制 Harris Hawk 优化 (BHHO) 举例说明了 BHHO 如何使用基准数据集解决特征选择问题。 ****************************************************** ****************************************************** **********************************

特征选择，数据挖掘，用matlab实现，General purpose FS software

混合互信息和粒子群算法的多目标特征选择方法_王金杰

此方法对于分类中的特征选择很有用。 它将特征分级在 0 到 1 之间，其中较高的值意味着该特征与分类更相关。 使用截止值可以从输入列表中选择更好的特征。 执行： S=IDE2（数据，类，阈值） [S i]=IDE2（数据，类，阈值）； [S im]=IDE2（数据，类，阈值）； 输入： 数据：特征应该列在列中，样本应该成行分布。 例如具有 4 个特征的数据集并且 20 个样本应作为 20x4 矩阵提供。 类：一个一维矩阵，长度为数据中的样本。 例如对于前面的例子，类矩阵应该是 20x1，每个单元格代表一个相关的数字到班级。 注意：类应该从 1 开始并不断增加。 以三类 Healthy、Fault1 为例和 Fault2，类矩阵应包含 1,2,3 个值。 阈值：阈值表示所需的截止值应介于 0 和 1 之间。索引和选定的输出将根据这个值生成。 输出： 分数：报告每个有界特征的 IDE 分