-
公开(公告)号：CN113139598A
公开(公告)日：2021-07-20
申请号：CN202110434602.8
申请日：2021-04-22
Applicant: 湖南大学
Abstract: 本发明公开了一种基于改进智能优化算法的入侵检测方法，包括：获取数据集，使用z‑score方法对数据集进行标准化处理，以得到标准化处理后的数据集；通过改进智能优化算法优化核极限学习机模型的惩罚系数C和核系数γ，并得到优化后的核极限学习机模型；对优化后的核极限学习机模型进行训练，以得到训练好的核极限学习机模型，并使用训练好的核极限学习机对数据集进行分类，以得到分类结果。本发明能够解决现有基于单种智能优化算法的入侵检测方法存在的收敛速度慢、容易陷入局部最优陷阱、以及全局搜索能力不强的技术问题；以及现有基于多种智能优化算法的入侵检测方法存在的算法迭代效率低、计算精度差的技术问题。
-
公开(公告)号：CN113139598B
公开(公告)日：2022-04-22
申请号：CN202110434602.8
申请日：2021-04-22
Applicant: 湖南大学
Abstract: 本发明公开了一种基于改进智能优化算法的入侵检测方法，包括：获取数据集，使用z‑score方法对数据集进行标准化处理，以得到标准化处理后的数据集；通过改进智能优化算法优化核极限学习机模型的惩罚系数C和核系数γ，并得到优化后的核极限学习机模型；对优化后的核极限学习机模型进行训练，以得到训练好的核极限学习机模型，并使用训练好的核极限学习机对数据集进行分类，以得到分类结果。本发明能够解决现有基于单种智能优化算法的入侵检测方法存在的收敛速度慢、容易陷入局部最优陷阱、以及全局搜索能力不强的技术问题；以及现有基于多种智能优化算法的入侵检测方法存在的算法迭代效率低、计算精度差的技术问题。
-
公开(公告)号：CN111860638B
公开(公告)日：2022-06-28
申请号：CN202010689950.5
申请日：2020-07-17
Applicant: 湖南大学
IPC: G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/00 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于不平衡数据深度信念网络的并行入侵检测方法，其读取不平衡数据集数据，对不平衡数据采用改进的NCL算法进行欠采样处理，降低多数类样本的比重，使数据集数据分布均衡；在分布式内存计算平台Spark平台上采用改进的差分进化算法对深度信念网络模型的参数进行优化，得到最优的模型参数；对数据集数据进行特征提取，然后采用加权后的核极限学习机进行入侵检测分类，最后通过多线程并行的训练多个不同结构的加权后的核极限学习机作为基分类器，建立基于自适应加权投票的多分类器入侵检测模型进行并行入侵检测。本发明能解决现有入侵检测方法对不平衡数据集缺乏针对性、训练时间过长的技术问题，并提高优化深度信念网络模型参数的速度。
-
公开(公告)号：CN111860638A
公开(公告)日：2020-10-30
申请号：CN202010689950.5
申请日：2020-07-17
Applicant: 湖南大学
Abstract: 本发明公开了一种基于不平衡数据深度信念网络的并行入侵检测方法，其读取不平衡数据集数据，对不平衡数据采用改进的NCL算法进行欠采样处理，降低多数类样本的比重，使数据集数据分布均衡；在分布式内存计算平台Spark平台上采用改进的差分进化算法对深度信念网络模型的参数进行优化，得到最优的模型参数；对数据集数据进行特征提取，然后采用加权后的核极限学习机进行入侵检测分类，最后通过多线程并行的训练多个不同结构的加权后的核极限学习机作为基分类器，建立基于自适应加权投票的多分类器入侵检测模型进行并行入侵检测。本发明能解决现有入侵检测方法对不平衡数据集缺乏针对性、训练时间过长的技术问题，并提高优化深度信念网络模型参数的速度。
-
-
-
Search Results
4
records
(took 0.023 seconds)
