基于混沌PSO算法优化RBF网络入侵检测模型

合集下载

基于PSO优化的模糊RBF神经网络学习算法及其应用

基于PSO优化的模糊RBF神经网络学习算法及其应用

信息 , 即群体共享信息。标准 P O算 法的粒子进化 方程如 S
式( ) ( ) 4 、5 所示 :

则, 完成模糊规则到输 出空间的映射 , 每个节点的输 出为该
节点所有输入信 号的乘积 , : 即
()= . 『 ( () 2
=埘×
+c l×rn ( ad )X( bs —P Pe t ~)+c 2×
下:
意的非线 性函数等优点 , 被广泛应用于模 糊控制器 、 模式识 别、 模糊 辨识 和信 号处理等 领域… 。尽 管该 网络具有 这些 优点 , 但同时也存在网络的结构和参 数的学习算法复杂 , 容
易陷入局部最优 ; 网络学 习速度慢 、 收敛性 能不好 ; 糊规 模
第一层 : 入层 输 输入层的各个节点直 接与输 入 的各个分 量连接 , 输 将 入传到下 一 层。该 层 的 每个 节 点 i 示 一个 输 入 分 量 : 表 ()=X。 = ( , , , ) 9 X l … 1n为输 入 向量的维数 。 "
第 2卷 第 1 期
21 00年 2月
当代 教 育 理 论 与 实 践
T e  ̄ a d Prcie o ne p r r d c t n h o n a t fCo t m o ay E u a i c o
V .2 No. o1 1 F b 00 e .2 1
基于P0 S 优化的 模糊RF B 神经网 络学习 算法及其应用
模糊 R F神 经 网络具 有并行计 算 、 B 分布式信 息存 储 、 容错 能力强、 具备 自适应学习能力、 以以任意精度逼近任 可

模糊 R F神 经 网络 结构 B
模糊 R F神经网络结构 如 图 1所 示 , B 由输入层 、 糊 模 化层 、 模糊 推理层 及 输 出层 构成 引, 层 的功 能表 述 如 各

基于混沌免疫优化RBF网络的遥感水深反演

基于混沌免疫优化RBF网络的遥感水深反演
n e t wo r k c e n t e r v e c t o r a n d w e i g h t s a r e o p t i mi z e d b y u s i n g C h a o t i c I mmu n e O p t i mi z a t i o n Al g o r i t h m( C I O A) , a n d t h e C I O A R BF
网络 的遥感水深反演模型 。介绍水深遥感反演原理 ,利 用混沌 免疫 优化 算法对 R B F网络的中心向量及连接权值进行优化 , 并将优化 的 R BF网络应用于 遥感 水深反演。实验结果表明 ,该模型反演水深和实测水深之间的平均绝对误 差为 O . 4 3 6 7 m, 平均相对误差为 8 . 9 1 %,均 方根误差为 0 . 5 6 3 5 m,具有较好 的非线性 映射能力和泛化能力 。 关健词 :水深遥感 ;混沌免疫优化 算法 ;径 向基 函数 ;反演模 型 ;泛化 能力
R a d i a l B a s i s F t mc t i o n ( R B F )n e t wo r k . I n t h e mo d e l , i t i n t r o d u c e s t h e wa t e r d e p t h r e mo t e s e n s i n g i n v e r s i o n p r i n c i p l e , t h e R B F
n e wo t r k mo d e l a r e a p p l i e d i n t h e c o mp a r i n g e x p e r i me n t s o f r e mo t e s e n s i n g wa t e r d e p t h i n v e r s i o n . E x p e r i me n t a l r e s u l t s s h o w t h a t t h e a v e r a g e a b s o l u t e e r r o r o f t h i s mo d e l b e t we e n t h e i n v e r s i o n wa t e r d e p t h a n d me a s u r e d wa t e r d e p t h i s 0 . 4 3 6 7 m. t h e a v e r a g e

基矛PSO—RBF神经网络的模拟电路故障诊断研究

基矛PSO—RBF神经网络的模拟电路故障诊断研究
第 1 9卷 第 2 4期
Vo 1 L 9
No 2 .4
电子设in e to i sg
21 年 1 01 2月
De .2 1 c 01
基矛 P O— B S R F神经网络的模拟 电路故障诊 断研 究
郭 珂 , 冶 ,朱 亦 伞
( 尔 滨工 业 大 学 黑 龙 江 哈 尔滨 10 0 ) 哈 50 1 摘 要 : 对 模 拟 电路 故 障 诊 断 的 难 点 和 传 统 诊 断 方 法 的 不足 之 处 ,提 出 了一 种 基 于 P 0 算 法 优 化 的 R F神 经 网络 针 S B
模 拟 电路 故 障诊 断方 法。 了约 简 网络 结 构从 而提 高诊 断 效 率 , 用 主 成 分 分 析 方 法 对 故 障特 征 进 行 有 效 提 取 。 对 为 采 针 R F 网络 传 统训 练 算 法 中 隐层 节 点 中 心及 基 函数 宽度 选 取 困难 问题 。 出采 用 I 0 算 法 来优 化训 练 R F网络 , B 提 X 5 B 以提 高 网络 的训 练 速 度 和 泛 化 性 能 。 最 后 , 过 电路 仿 真 对 所 提 方 法 的 有 效 性 进 行 了验证 。 通
当今 社 会 , 电子 设 备 广 泛 应 用 于 人 们 科 研 、 产 、 活 的 生 生 各 个 领 域 。电 子设 备 中 的 电路 系统 分 为 模 拟 电路 和 数 字 电路 两 个 部 分 . 字 电 路 由 于 输 入 输 出 信 号 比较 规 范 , 数 电路 集 成 度 高 等 自身 特 点 决 定 了 其 出 现 故 障 的可 能 性 较 小 , 而且 即 使 出 了故 障也 比较 容 易 诊 断 。 论 分 析 和 长 期 的实 际 使 用 经 验 理

一种新型混沌PSO算法在板形智能控制中的应用

一种新型混沌PSO算法在板形智能控制中的应用

( 4 )将 P ( i 一1 , 2 , …, D) 映射 到 b g i s t i c方程 的定 义域
L O , 1 ] , 2 一( P 一 n ) / ( b -a ) ( 一1 , 2 , …, D) 。L o g i s t i c 方 程 进行迭代产生混沌变量序列 ( m一1 。 2 , …) , 再把产 生的混沌
踟 一当前粒子位置 ; 根据 P S O算法计算速度 和位置 ; 对最优位
置P 一( , P , …, 户 g D , ) 进 行混 沌优 化 。
样本 , 输 出是板形特征参数 a 、 n 。 和n 。 , 使用 P S O算 法对该 网
络 进 行 结 构 和参 数 优 化 。板 形 控 制效 果 如 图 2 所示 。

网络的权值 、 隐含层 中心 c , 和宽度 , 作 为算 法 中粒子 的位 “
置 。设计 R B F网络 的隐层节点个数在 4 42 0之问变化 , 当目标 函数达到预先给 定值 或者 达到最 大 迭代 次数 时 , P S 0算 法终 止 。使 用下 面的函数作为本次优化的 目标 函数 。
制 。仿 真过程 表 明 , 新型 混沌 P S O算法 对优 化神 经 网络 的结 构 和参数 都有 明显 的效果 , 使 用板 形识 别 模 型和 带预 测 过程 的效 应 函数 可 以
有 效控 制板形 系 统 。
关键词 : 混沌 P s 0算 法 ; 神 经 网络 ; 板形; 智 能控 制
2 0 0 0 , 目标 函 数 最 小 值 为 1 O ~, 种 群 大小 为 2 0 0 , C 一 一2 , — 4 ~0 . 9 。 使用该算法分别对板形模式识别 R B F神 经 网 络 和板形预测 B P 网络 进 行 训 练 。对 于 R B F神 经 网络 的 输 入使 用 的 是 待识 别 板 形 的欧 式 距 离 , 并 且 输 入 形 式 是 整 理 后 的标 准

基于混沌PSO算法优化RBF网络入侵检测模型

基于混沌PSO算法优化RBF网络入侵检测模型

基于混沌PSO算法优化RBF网络入侵检测模型王亚;熊焰;龚旭东;陆琦玮【摘要】针对网络安全中异常入侵检测,给出了一种构建最优神经网络入侵模型的方法。

采用混沌扰动改进粒子群优化算法,优化径向基函数RBF神经网络入侵模型。

把网络特征子集和RBF神经网络参数编码成一个粒子,通过粒子间的信息交流与协作快速找到全局最优粒子极值。

在KDD Cup 99数据集进行仿真实验,实验数据表明,建立了一种检测率高、速度快的网络入侵检测模型。

%For anomaly intrusion detection in network security, this paper proposes a method of establishing the optimal neural network intrusion model. It improves particle swarm optimization algorithm by chaos perturbation. And it optimizes Radial Basis Function(RBF)neural network intrusion model. The subset features of network and RBF neural network parameters are considered as a particle. It uses the inter particle exchange of information and collaboration to find the global optimal particle extremum quickly. The simulation experiment is carried out on KDD Cup99 datasets. The simulation results show that it is a high detection ratio and fast speed network intrusion detection model.【期刊名称】《计算机工程与应用》【年(卷),期】2013(000)010【总页数】4页(P84-87)【关键词】入侵检测模型;特征选择;粒子群优化算法;神经网络;混沌扰动;数据集【作者】王亚;熊焰;龚旭东;陆琦玮【作者单位】中国科技大学计算机科学与技术学院,合肥 230027; 阜阳师范学院计算机与信息学院,安徽阜阳 236037;中国科技大学计算机科学与技术学院,合肥 230027;中国科技大学计算机科学与技术学院,合肥 230027;中国科技大学计算机科学与技术学院,合肥 230027【正文语种】中文【中图分类】TP391随着人工智能和神经网络的蓬勃发展,也进入了网络安全领域的研究,如构建网络入侵检测模型,帮助研究人员对网络数据进行分析检测出网络异常。

基于PSO—RBF无线传感器网络入侵检测技术研究

基于PSO—RBF无线传感器网络入侵检测技术研究
但 对 于 诸 如 Wom oe H l l d D o ,e ci o a— r hl, el Fo , D S Sl t eF r r o o e v w
dn ,ik o i Sn hl g e攻击 等显 得无 能为力 , 因此 , N WS s的安全 正
K yw rs i l ssno e ok ( N ) it s ndt t n rda b s nt n R F nua ntok e od :wr e e sr t rs WS s ;nr i ee i ; ail ai f c o ( B ) erl e r; es nw uo co su i w
由于受 到能量 、 带宽 、 处理 和存储 能力等 的 限制 , 在设 计 WS s N 入侵检测 系统 时要考 虑到诸 多因素 , , 能过 如 不 多增大 网络开销 和增 加 网络负载 、 保证入 侵检测 系统 的 自
WS s N 起到一定 的防护作 用 , 能使 网络免受 一些特 定攻击 ,
( co l f nomai n ier g Z e a gA r utr n o et iesy Sh o o fr t nE gn ei , hj n gi l ea dF rsr Unvri , I o n i c u y t Ha gh u3 1 0 , hn ) n zo 13 0 C ia
r me r s p o o e i ng a te f au e f W Ns The pa a ee s o fa wo k i r p s d a mi t h e t r s o S . rm tr f RBF i p i ie a smiai g h s o tm z d by s i ltn te
Abtat atl sam o t i t n( S ,ai ai fnt n( B ) i te h it s n dt t n src :A p rc w r pi z i P O) rd lbs uci R F l hw i t n ui e ci ie m ao a s o g g r o e o

基于RBF神经网络的入侵检测优化算法研究

基于RBF神经网络的入侵检测优化算法研究
用到 入侵 检测 系统 中存 在学 习速 度慢 ,容 易陷 入局
图 1 B 网 络 拓 扑 结 构 g F
部最优 解 ,搜 索精 度不高 等 问题 ,对 入侵检 测 系统 的性能 有 很大 的影 响。本 文根 据遗 传算 法鲁棒 性 强 、
输 入 层 主要 用未 接 受输 入 信 号 ,由信 号 源结 点 组 成 。隐含 层主 要用 来对输 入层 信 号做 相应 的处理 ,
全局搜索 能力 强等优 点 ,利用遗 传算 法对 传统 R F B
算法 进行 改 进 ,提 出 了基于 遗 传算 法 和 RBF神 经 网络 的 GA—RBF算法 ,此算 法 改进 了传统 RBF 网络 的不足 ,加快 了网络 的 收敛速 度 ,提高 了入 侵 检 测 的效率 。最 后通 过仿真 实 验 ,验证 了算 法 的可 行性 和有 效性 ,确定入侵 检 测模型 的最佳 结构 。
Ab ta t Itui D tcin y tm i n o t e ee rh o sos n h f l o Ifr t n euiy. h Gee i loi m sr c :nrs n e eto S se o s o e f h rsac h tp t i t e id f n oma i S c r e o t Te n t ag r h wa t k n O c t s a e t
1引言
传 统 的 RBF神 经 网络 作 为机 器 学 习和模 式识
网络 包含输入 层 、隐含层 和输 出层这三 层结构 。
别 的重 要方 法 ,具 有 自组 织 、 自学 习和推 广 能 力 … , 将 RBF神经 网络 方 法应 用 于入 侵 检 测 系统 中 ,既 具 有对 已知攻 击较 好 的识别 能 力 ,还 具有 对未 知攻 击 的检 测 能 力 。但 传统 的 RBF神 经 网 络算 法 应

一种基于PSO-RBF神经网的入侵检测方法

一种基于PSO-RBF神经网的入侵检测方法

一种基于PSO-RBF神经网的入侵检测方法
付强;柴玉华
【期刊名称】《农业网络信息》
【年(卷),期】2009(000)006
【摘要】针对传统基于K-均值聚类的RBF神经网络训练方法中,隐层参数训练结果易受初始值影响而陷入局部极小解,最终导致整个网络收敛速度慢、性能下降等问题,提出了基于粒子群算法(PSO)和K-均值相结合的径向基神经网络(RBF)训练算法.该算法利用PSO的全局搜索能力形成最优解邻域,K-均值算法在该邻域进行局部搜索,这样既利用了PSO算法的全局最优解搜索能力,同时也利用了K-均值算法收敛速度快的优点.试验结果表明该算法有效地解决了基于K-均值训练算法易陷入局部极小解的不足.文中将基于上述训练方法的RBF神经网应用到入侵检测系统中,试验结果同基于传统K-均值、遗传算法和RPCL算法训练的RBF方法进行比较,结果表明本文建议的方法在检测性能和训练时间上都有明显提高.
【总页数】4页(P28-31)
【作者】付强;柴玉华
【作者单位】东北农业大学,成栋学院,黑龙江,哈尔滨,150030;东北农业大学,成栋学院,黑龙江,哈尔滨,150030
【正文语种】中文
【中图分类】TM711
【相关文献】
1.一种基于Spark与BP神经网络的入侵检测方法 [J], 王辉;王勇;柯文龙
2.一种基于改进的BP神经网络的入侵检测方法 [J], 王晓霞;唐耀庚;徐宗杨
3.一种基于改进的BP神经网络的入侵检测方法 [J], 王海艳;李根;王汝传
4.一种基于模式匹配与前馈式神经网络的入侵检测方法 [J], 邓全才;王春东;常青
5.一种基于卷积神经网络的入侵检测方法 [J], 时东阁;章晓庆;毛保磊;李润知;林予松
因版权原因,仅展示原文概要,查看原文内容请购买。

基于改进pso优化rbf神经网络线损计算与分析

基于改进pso优化rbf神经网络线损计算与分析
realized Through Matlab simulation, it verifies the accuracy and reliability of the above model.
Key words: particle swarm optimization; artificial neural network algorithm; line loss calculation; power theft analysis
proved particle swarm optimization algorithm is proposed to optimize the calculation and analysis model of the RBF neural network With
machine learning as the starting point, the data⁃driven approach is used to optimize the important parameters of the RBF neural network
2020 年
第 41 卷第 4 期
东北电力技术
中加入了多源数据, 相比传统方法具有更快的计算
φ、 隐含层的接地节点 u i 和权重值 ω。 本文使用改
模型和窃电位置分析模型, 通过理论线损和统计线
1 2 改进 PSO 算法
效率。 文献 [4] 利用神经网络构建理论线损计算
损的比较得到窃电位置。 文献 [ 5] 建立遗传算法
随着经济的不断发展, 电能消耗逐渐增多, 然
技化、 隐蔽化、 大额化特征, 严重损害了电力公司
而在这快速增长能源消费的背后, 是低效率的能源
的经济利益。 现场人工查找效率低、 精度差, 用电

基于SFLA优化的RBF神经网络入侵检测算法

基于SFLA优化的RBF神经网络入侵检测算法
化, 提 高 了入 侵 检 测性 能 。
关键词 : 入侵检测技术 ; R B F神 经 网络 ; 蛙跳 算法; 网络 安 全
DOI : 1 0 . 1 1 9 0 7 / r j d k . 1 7 1 31 3
中图分类号 : TP 3 1 2
文献 标 识 码 : A
文章编号 : 1 6 7 2 — 7 8 0 0 ( 2 0 1 7 ) 0 0 8 — 0 0 5 0 — 0 3 算 法 。 陔算 法 建 立 在 群 中个 体 具 有 模 进 化 和 利 用 模 因
第1 6 绉 第8 { t O 】
2 0 l 7 { 1 : 8 』 j
4 又
导 r I u
Vo1 .1 6NO .8 Aug .2 01 7
S o r l wa r e Gu i de
基于 S F L A优 化 的 R B F神 经 网络 入 侵 检 测 算 法
每 个 子 群 分 别 进 行 局 部 深 度搜 索 , 更 新 蛙 跳 步 长 和 青
蛙个体位置 。
蛙跳步长更新公式 :
D,一 r a ? 1 d( )* ( P^ 一 P ) ( 1 )
含层 到 输 出 层 的 权 值源自参 数 并 用 于 入 侵 检 测模 型 中 , 通 过 实 验证明其性能优于基于 P S ( ) 优化的 R B F入 侵 检 测 模 型 。
青蛙个体的位置更新公式 : P。 一 P + D ( 1 l — D l ≤l l D l l ≤ l l D j 1 )
( 2)
1 S F L A 算 法
S FI A 是 Eu s u f f 和 I , a n s e y等 为 解 决 组 合 优 化 问 题 于 2 0 0 3年 提 m 的一 种 基 于 群 体 的 亚 启 发 式 协 同 搜 索 群 智 能

基于混沌的大坝监测序列小波RBF神经网络预测模型

基于混沌的大坝监测序列小波RBF神经网络预测模型

基于混沌的大坝监测序列小波RBF神经网络预测模型
戴波;陈波
【期刊名称】《水利水电技术》
【年(卷),期】2016(047)002
【摘要】本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型.该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值.实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程.
【总页数】6页(P80-85)
【作者】戴波;陈波
【作者单位】河海大学水利水电学院,江苏南京210098;河海大学水文水资源与水利工程科学国家重点实验室,江苏南京210098;河海大学水利水电学院,江苏南京210098;河海大学水文水资源与水利工程科学国家重点实验室,江苏南京210098;水利部土石坝破坏机理与防控技术重点实验室,江苏南京210029
【正文语种】中文
【中图分类】TV698.1
【相关文献】
1.一种基于改进型RBF神经网络的非线性时间序列预测模型 [J], 陈海英
2.基于RBF神经网络的混沌时间序列前后向联合预测模型 [J], 姜可宇;蔡志明;陆振波
3.基于RBF神经网络的GDP时间序列预测模型研究 [J], 汪丽艳;叶明海
4.基于小波包的RBF神经网络网络流量混沌预测 [J], 冯兴杰;潘文欣;卢楠
5.基于小波消噪和LS-SVM的混沌时间序列预测模型及其应用 [J], 秦永宽;黄声享;赵卿
因版权原因,仅展示原文概要,查看原文内容请购买。

电厂废水中和过程的CPSO-RBF神经网络预测控制

电厂废水中和过程的CPSO-RBF神经网络预测控制

电厂废水中和过程的CPSO-RBF神经网络预测控制任志玲;孙雪飞【摘要】针对电厂废水中和过程的非线性、时变性和滞后特性,为提高控制的响应速度和稳定性,提出一种基于混沌粒子群(CPSO)优化的RBF神经网络预测控制算法.以强酸当量(SAE)模型作为控制对象,设计RBF神经网络预测模型.引入灵敏度法(SA)修正网络隐层神经元,CPSO算法快速准确搜索粒子信息,实现RBF神经网络辨识模型的最优化.通过在电厂用水加药系统循环控制上的仿真测试,表明该控制策略相比PID控制和基于遗传算法优化的BP神经网络控制,在控制的平稳性和快速性上具有一定优势.【期刊名称】《计算机应用与软件》【年(卷),期】2018(035)010【总页数】6页(P74-79)【关键词】废水中和;RBF神经网络;强酸当量;预测控制【作者】任志玲;孙雪飞【作者单位】辽宁工程技术大学电气与控制工程学院辽宁葫芦岛 125105;辽宁工程技术大学电气与控制工程学院辽宁葫芦岛 125105【正文语种】中文【中图分类】TP2730 引言在现代300 MW以上火电厂中,水处理自动化系统的投入率以及使用效率很低。

主要是因为该控制过程具有强时滞性、强非线性和强时变性,系统增益变化尺度大,传统的PID控制器参数难以确定合理值,增益变化无法满足要求,控制响应速度慢、精度低,全局控制品质差,浪费中和剂剂量,设备损坏耗大。

因此迫切需要一种响应速度快、鲁棒性好、精确性高的控制算法来提高电厂废水中和的全局品质把握,实现用水的高效化、节能化、节约化。

由于神经网络能够任意精度逼近非线性函数以及优良的数据预测评估能力,目前已被大量学者运用在废水中和过程的辨识和控制中,文献[1]设计了一种神经网络与传统PID相结合的控制方式,一定程度上改善了PID控制的鲁棒性。

文献[2]则设计了一种将遗传算法(GA)结合BP神经网络实现优化的控制方法。

文献[3]构建了递归模糊神经网络(RFNN)模型,同时利用广义预测控制器(GPC)控制pH中和过程,精度理想。

基于PSO算法优化RBF神经网络的基金净值预测研究

基于PSO算法优化RBF神经网络的基金净值预测研究

基于PSO算法优化RBF神经网络的基金净值预测研究崔琳【摘要】为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型.利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析.仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义.【期刊名称】《宿州学院学报》【年(卷),期】2013(028)005【总页数】4页(P62-65)【关键词】粒子群优化算法;RBF神经网络;BP神经网络;基金净值;基金预测【作者】崔琳【作者单位】宿州学院信息工程学院,安徽宿州,234000【正文语种】中文【中图分类】TP183;F830.91随着我国经济的迅速发展,基金投资因具有风险低的特点,已经成为人们投资理财的选择方式之一。

由于基金净值变化趋势受政治、经济等多种因素影响,并且各种影响因素间呈现出高度的非线性关系,所以基金净值变化难以预测。

如何准确地预测基金净值的变化趋势,精确地找到基金净值上升与下降趋势的转折点,成为预测基金的核心问题。

本文针对“金泰基金”共90周的数据样本,在合理地构建影响基金净值变化的指标体系下,利用粒子群优化算法(Particle Swarm Optimization,PSO)的非线性处理能力和全局寻优能力优化RBF(Radial Basis Function)神经网络,并对基金样本数据集进行训练和测试,充分避免了BP(Back Propagation)神经网络和RBF神经网络用于预测基金净值时所存在的运算速度慢、易陷入局部极小的困境,极大地提高了基金净值的预测准确率。

1 相关研究工作至今为止,已经有许多学者和专家从事证券投资预测的研究,并且提出了很多有关证券投资的预测方法。

基于混沌差分优化算法的网络入侵检测系统

基于混沌差分优化算法的网络入侵检测系统

基于混沌差分优化算法的网络入侵检测系统
马琰;闫兵
【期刊名称】《科学技术与工程》
【年(卷),期】2013(0)36
【摘要】开发一套新的网络入侵检测系统来证实应用混沌差分优化算法入侵检测技术的有效性。

这个系统联合了基于混沌差分优化算法的异常检测和基于专家系统的滥用检测,在开发异常检测的部分时,利用混沌差分挖掘技术来从正常的行为存储模式中寻找差异,根据混沌差分进化算法的全局搜索性选择一个合适的特征集合,滥用检测部分用于寻找特征集合中异常行为描述模式,这种模式很可能预示着入侵,网络的通信量和系统的数据被用做两个元件的输入。

此系统的系统结构既支持异常检测又支持滥用检测、既适用于个人工作站又可以适用于复杂网络。

【总页数】4页(P10967-10970)
【关键词】入侵检测;混沌差分;数据挖掘
【作者】马琰;闫兵
【作者单位】河南工业职业技术学院
【正文语种】中文
【中图分类】TP393.08
【相关文献】
1.基于混沌和差分进化的混合粒子群优化算法 [J], 刘建平
2.基于差分进化的混沌量子粒子群优化算法 [J], 王植
3.基于规则库优化算法的网络入侵检测系统研究与应用 [J], 石夫乾;林征;徐江
4.基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测∗ [J], 李瑞国;张宏立;范文慧;王雅
5.基于灰狼优化算法的神经网络PMSM混沌同步控制 [J], 张小青;李艳红
因版权原因,仅展示原文概要,查看原文内容请购买。

PSO算法和神经网络的入侵检测系统设计

PSO算法和神经网络的入侵检测系统设计

PSO算法和神经网络的入侵检测系统设计
龚娟;段树华
【期刊名称】《计算机测量与控制》
【年(卷),期】2010(018)008
【摘要】针对入侵检测系统检测率低,整体性能不好的问题,在探讨入侵检测技术和人工神经网络理论的基础上,提出了一种基于PSO算法优化的径向基函数神经网络的入侵检测系统,采用具有全局寻优的功能PSO算法,该算法能够改进传统的RBF 神经网络学习策略,弥补RBF神经网络参数设置的不足,采用了来自KDD CUP99的权威数据来进行网络学习和测试,在此基础之上,进行了入侵检测系统的设计与实现,实验结果表明,基于PSO和RBF神经网络的人侵检测系统有效地提高了入侵检测的效率.
【总页数】4页(P1924-1927)
【作者】龚娟;段树华
【作者单位】湖南铁道职业技术学院,湖南,株洲,412000;湖南铁道职业技术学院,湖南,株洲,412000
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于改进的PSO与BP前馈神经网络学习算法在入侵检测中的应用 [J], 顾同跃
2.基于PSO-BP神经网络的入侵检测技术优化算法的研究 [J], 雷宇飞;林玉梅;
3.基于PSO算法的神经网络集成入侵检测系统 [J], 李朝荣;张鹰;张安妮
4.基于PSO-BP神经网络的入侵检测技术优化算法的研究 [J], 雷宇飞;林玉梅
5.PSO优化神经网络算法在滚球控制系统设计中的应用 [J], 高丽贞;陈俊秀
因版权原因,仅展示原文概要,查看原文内容请购买。

一种混沌混合粒子群优化RBF神经网络算法

一种混沌混合粒子群优化RBF神经网络算法

一种混沌混合粒子群优化RBF神经网络算法刘洁;李目;周少武【期刊名称】《计算机技术与发展》【年(卷),期】2013(000)008【摘要】为了更精确地检测出混沌背景下的微弱目标信号,提高预测效果,文中提出了一种混沌混合粒子群优化RBF神经网络(CHPSO-RBFNN)算法。

本算法主要采用了基于群体自适应变异和个体退火操作的混沌粒子群优化RBF神经网络,利用群体自适应变异以及个体退火操作优化混沌粒子群,有效地提高了粒子群算法的全局收敛性,优化了RBF神经网络的结构和参数。

把该算法用于预测混沌时间序列、检测混沌背景下微弱目标信号,实验结果表明本算法有良好的非线性预测能力,可以有效地检测出混沌背景下的微弱目标信号。

%In order to detect the weak target signal accurately in the chaos background, and improve forecast result, a novel algorithm based on RBF Neural Network ( RBFNN) with Chaotic Hybrid Particle Swarm Optimization ( CHPSO) is presented. In this algorithm, the RBF neural network is optimized by chaotic particle swarm optimization with adaptive population mutation and individual annealing operation. In order to improve the global convergence ability of PSO,the colony adaptive mutation and individual annealing operation are used to adjust and optimize PSO. Then the parameters and structures of RBFNN are optimized. This novel algorithm is applied to predict chaotic time sequence and detect weak target signal in the chaos background.Simulation results show that the algorithm has preferable nonlinear prediction ability and can detect weak target signal effectively.【总页数】4页(P181-184)【作者】刘洁;李目;周少武【作者单位】湖南工程学院设计艺术学院,湖南湘潭 411104;湖南科技大学信息与电气工程学院,湖南湘潭 411201;湖南科技大学信息与电气工程学院,湖南湘潭 411201【正文语种】中文【中图分类】TP39【相关文献】1.一种改进的混沌粒子群优化混合算法 [J], 钱晓山2.一种自适应的混沌粒子群优化RBF神经网络算法 [J], 张义;田爱奎;韩士元3.一种自适应的混沌粒子群优化RBF神经网络算法 [J], 张义;田爱奎;韩士元;4.混沌鲶鱼粒子群优化和差分进化混合算法 [J], 易文周5.一种混沌差分进化和粒子群优化混合算法 [J], 阳春华;钱晓山;桂卫华因版权原因,仅展示原文概要,查看原文内容请购买。

PSO聚类和梯度算法结合的RBF神经网络优化

PSO聚类和梯度算法结合的RBF神经网络优化

PSO聚类和梯度算法结合的RBF神经网络优化
孟艳;潘宏侠
【期刊名称】《自动化仪表》
【年(卷),期】2011(032)002
【摘要】针对制约径向基函数RBF神经网络发展及其应用的瓶颈问题,提出一种基于粒子群优化算法PSO的改进K-means聚类思想,以确定其隐节点的数目.结合梯度算法,通过最小化目标函数调节隐节点的数据中心、宽度和输出权值,最终达到优化RBF神经网络的目的;同时,将优化后的网络应用于滚动轴承故障模式识别.试验结果表明,该方法能自适应地确定RBF神经网络隐节点的数目并调整其结构参数,使网络具有较快的收敛速度和较高的收敛精度,从而准确地识别滚动轴承的故障模式.【总页数】3页(P6-8)
【作者】孟艳;潘宏侠
【作者单位】中北大学机械工程与自动化学院,山西,太原,030051;中北大学机械工程与自动化学院,山西,太原,030051
【正文语种】中文
【中图分类】TP389.1;TP206+.3
【相关文献】
1.基于PSO与K-均值聚类算法优化结合的图像分割方法 [J], 曹帅帅; 陈雪鑫; 苗圃; 卜庆凯
2.基于改进PSO优化RBF神经网络线损计算与分析 [J], 何立强; 赵允; 于景亮
3.基于PSO优化RBF神经网络的往复式压缩机故障诊断 [J], 丁承君; 张家梁; 冯玉伯; 王鑫
4.PSO优化RBF神经网络在变形监测中的应用 [J], 邵潮京
5.基于改进PSO优化的RBF神经网络的特高压线损预测 [J], 杨建华;肖达强;张伟;余明琼;易本顺
因版权原因,仅展示原文概要,查看原文内容请购买。

基于RBF神经网络优化的混沌时间序列预测

基于RBF神经网络优化的混沌时间序列预测

基于RBF神经网络优化的混沌时间序列预测邬开俊;王铁君【期刊名称】《计算机工程》【年(卷),期】2013(000)010【摘要】Based on neural network theory and phase-space reconstruction theory, a prediction algorithm for chaotic time series of optimized Radial Basis Function(RBF) neural based on Differential Evolution(DE) is proposed. In order to get the optimal neural network predictive model, the center, width, and connection weights of RBF neural networks are optimized by the global search ability of DE. The availability of the prediction algorithm is proved by the simulation of three typical nonlinear systems. Compared with the forecasting results of RBF neural network, results show that the improved algorithm has better generalization ability and higher forecasting accuracy.%以神经网络和相空间重构相关理论为基础,提出一种基于差分进化(DE)优化径向基函数(RBP)神经网络的改进混沌时间序列预测算法。

利用DE的全局搜索能力优化RBF神经网络基函数的中心、宽度以及网络的连接权值,以此获得最优的网络预测模型。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
相关文档
最新文档