买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于随机森林的指控网络关键节点智能识别方法，属于通信侦察和人工智能领域。本发明包括：构建关键节点识别模型训练数据，生成智能关键节点识别模型，对待检测数据进行关键节点智能识别。本发明采用机器学习的随机森林分类器实现对于关键节点的识别。相比于深度学习方法，本方法对算力需求更低，运行速度更快，并且无需使用图像处理器，能够有效降低硬件成本，提高方法对于硬件设备的适用性。

主权项：1.一种基于随机森林的指控网络关键节点智能识别方法，其特征在于，包括以下步骤：步骤1：构建关键节点识别模型训练数据；具体方式为：步骤1-1：针对多种不同结构的指控网络共进行K次采样；每次采样时，对一种指控网络进行T次通信侦察，获得如下统计数据： 其中，指控网络共有N个网络节点以及L种通信方式，n和m为网络节点标号，l表示通信方式的种类，为T次通信侦察中，节点n和节点m以通信方式l互通的次数除以T；步骤1-2：将每次采样的统计数据转化为列表形式的数据样本： 将每次采样的指控网络下的关键通信节点设置为y，作为数据样本的标签；将K次采样的数据样本组成数据集，包括样本数据集和标签数据集；按照比例，将数据集切分为训练数据集和测试数据集，二者数量分别为和，其中表示向上取整；训练数据集的样本数据集为，维度为；训练数据集的标签数据集为，维度为；测试数据集的样本数据集为，维度为；测试数据集的标签数据集为，维度为；步骤2：生成智能关键节点识别模型；具体方式为：步骤2-1：从scikit-learn开源机器学习库的ensemble模块中引入随机森林分类模型；步骤2-2：构建参数字典，定义要搜索的参数空间，包括每个参数的取值范围；参数字典中的参数包括：树的数量n_estimators、最大特征数max_features、最大深度max_depth、最小样本分裂数min_samples_split、最小样本叶子数min_samples_leaf、是否有放回抽样bootstrap；步骤2-3：导入model_selection模块中的RandomizedSearchCV函数，设置RandomizedSearchCV函数的参数，参数中，要使用的模型为步骤2-1引入的随机森林分类模型，参数空间为步骤2-2构建的参数字典；步骤2-4：通过RandomizedSearchCV函数的fit功能，在训练数据集上对参数空间中的参数进行搜索，搜索完成后，通过best_params_属性获取训练得到的最优参数；步骤2-5：使用步骤2-4得到的最优参数和score函数，在测试数据集上评估最优参数下模型的性能，从而得到准确度；如果准确度大于等于预设的准确度门限，则将最优参数进行存储，用于关键节点智能识别；如果准确度小于预设的准确度门限，则返回步骤2-4继续训练；步骤3：对待检测数据进行关键节点智能识别。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所 一种基于随机森林的指控网络关键节点智能识别方法