Time_sries prdctrsتنوانست مسئله بهینه سازی رو حل کنهSystem_ wise prdctrsتنوانست مسئله بهینه سازی رو حل کنهArea_wise prdctrsتنوانست مسئله بهینه سازی رو حل کنه ۵-۴-۳- ۱ : نمونه هایی از دسته بندی سیستم با به کار گیری بردار ماشین پشتیبان در شکلای (۵-۱۰) تا (۵-۱۴)، خط جداکننده و همچین بردار ماشینای پشتیبان مشخص شده. همونطور که می بینین، دسته بندی به شکلی انجام شده که داده ها تا حد امکان در دسته درست قرار گرفته و از مرز جدا کننده دور باشن. کرنل غیر خطی این اهداف رو ساده تر و در بعضی مواقع ممکن می کنه. شکل(۵-۱۰) نمونه ای از دسته کننده SVM با به کار گیری پیش بینای PostFltAngle_4 و PostFltAngle_5 وکرنل خطی شکل(۵-۱۱) نمونه ای از دسته کننده SVM با به کار گیری پیش بینای PostFltAngle_1 و PostFltAngle_2و کرنل RBF شکل(۵-۱۲) نمونه ای از دسته کننده SVM با به کار گیری پیش بینای Min-voltage-1s_4 و Min-voltage-1s_5و کرنل RBF شکل(۵-۱۳) نمونه ای از دسته کننده SVM با به کار گیری پیش بینای Norm1_4 و Norm1_5 و کرنل RBF شکل(۵-۱۴) نمونه ای از دسته کننده SVM با به کار گیری پیش بینای FastWASI_Area5_1s و FastWASI_Area2_1s و کرنل RBF ۵-۵ به کار گیری راه کاهش حجم داده (PCA) در آزمایش امنیت شبکه ۳۹ باسه در این بخش با به کار گیری راه PCA حجم داده های دریافتی رو تا حد امکان کاهش دادیم و تاثیر این کاهش حجم رو روی خطای آموزش درخت اراده کردن و بردار ماشینای پشتیبان بررسی کردیم. در این قسمت می خوایم به جای به کار گیری همه پیش بینا در طراحی تکنیکای هوشمند، از ترکیب خطی اونا استفاده کنیم، طوریکه با تصویر داده ها در فضای بردارای خاص، داده های کم اهمیت تر رو حذف کرده و با تعداد کمتری پیش بین، اما در فضای دیگه، به بررسی امنیت دینامیک در شبکه بپردازیم. اول با به کار گیری رابطه (۴-۱۸) که معرف دقت تصویر داده ها در فضای بردارهای خاص بود، یه بردار از دقتای متفاوت واسه کاهش حجم سیستم در نظر گرفتیم، بعد با در نظر گرفتن این دقتا، بعد فضای کم شده داده ها مشخص شده و داده ها در فضای جدید تصویر می گردن. در آخر، با به کار گیری این داده های کم شده، DT و SVM بهینه رو آموزش دادیم. تاثیر کاهش حجم در سیستمای قدرت بزرگ که ابعاد سیستم در حدود چندین هزار بعد باشه خوب پیداست و یه قدم اساسی در طراحی تکنیکای هوشمنده]۶۸[. در ادامه اول تاثیر کاهش بعد بر روش DT رو بررسی می کنیم، بعد به روش کاهش حجم SVM می پردازیم. ۵-۵-۱ به کار گیری PCA و DT واسه آزمایش امنیت دینامیک شبکه ۳۹ باسه اول ورداری ازای جور واجور و دلخواه واسه سیستم برابر بردار (۵-۱) تعریف می کنیم. با در نظر گرفتن این بردار، فضاهای کم شده بعدی واسه سیستم به صورت بردار (۵-۲) به دست میاد. با در نظر گرفتن این ابعاد شاخصا با هم ترکیب شده و تنها تای اون در آموزش درخت استفاده شده. جدول (۵-۹) کارکرد این درختا رو نشون میده که واسه ۵ مجموعه داده آموزش و آزمایش جور واجور انجام شده. ۴۸ پیش بین جور واجور واسه این شبکه تعریف شده که به دنبال کاهش این تعداد تا حد امکان و بررسی خطای حاصل از این کاهش حجم هستیم. شکل (۵-۱۵) تعداد شاخصای کم شده در هر مرحله رو نشون میده و شکل (۵-۱۶) نمودار تغییرات خطا طبق درصد رو به ازای امین دقت در نظر گرفته شده نشون میده. همونطور که میبینین با کم شدن حجم داده ها از ۴۸ به ۱۴ وکمتر تونستیم به خطای قابل قبولی حتی کمتر از متوسط خطای درخت آموزش دیده با همه پیش بینا برسیم. (۵-۱) (۵-۲) جدول (۵-۹) کارکرد DTای آموزش دیده واسه شبکه ۳۹ باسه با به کار گیری فوت وفن PCA طبق درصد خطای آموزش و آزمایش ۱ ۱ ۲ ۲ ۲ ۲ ۶ ۸ ۱۰ ۱۲ ۱۴ خطای آزمایش ۱ ۹٫۵۸۹ ۹٫۵۸۹