针对传统机器学习方法不能有效地提取恶意代码的潜在特征，提出了基于栈式自编码（stacked auto encoder，SAE）的恶意代码分类算法。其次从大量训练样本中学习并提取恶意代码纹理图像特征、指令语句中的隐含特征；在此基础上，为提高特征选择对分类算法准确性的提高，将恶意代码纹理特征以及指令语句频度特征进行融合，训练栈式自编码器和softmax分类器。实验结果表明，基于恶意代码纹理特征以及指令频度特征，利用栈式自编码分类算法对恶意代码具有较好的分类能力，其分类准确率高于传统浅层机器学习模型（随机森林、支持向量机），相比随机森林的方法提高了2.474%，相比SVM的方法提高了1.235%。
2023-03-17 11:15:33
1.03MB
1
使用Tensorflow作为后端的Keras编程平台，编写的栈式自编码网络程序，利用自定义层方法编写压缩层和解压缩层，栈式自编码调用自定义层实现编码和解码
2022-11-16 20:22:35
4KB
1
为了提高情感识别的分类准确率，提出一种将栈式自编码神经网络（SAE）和长短周期记忆单元循环神经网络（LSTM RNN）融合的多模态融合特征情感识别方法。该方法通过SAE对不同模态的生理特征进行信息融合和压缩，随后用LSTM RNN对长时间周期的融合进行情感分类识别。通过将该方法用到开源数据集中进行验证，得到情感分类准确率达到0.792 6。实验结果表明，SAE对多模态生理特征进行了有效融合，LSTM RNN能够有效地对长时间周期中的关键特征进行识别。
2021-11-03 15:23:21
825KB
1
UFLDL Exercise: Stacked autoencoder（栈式自编码算法）matlab实验代码 可以直接运行
2019-12-21 19:38:01
11.15MB
1