网络安全态势感知新方法

针对网络安全态势感知问题,为了提高态势感知和预测过程的速度和精准度,提出一种基于神经网络的网络安全态势感知方法. 首先利用网络安全态势评估的指标体系来表征整个网络的安全状态,然后提出一种基于逆向传播(BP)神经网络的网络安全态势评估方法. 为解决态势要素与评估结果之间的不确定性及模糊性问题,提出一种基于RBF神经网络的网络安全态势预测方法,利用RBF神经网络找出网络态势值的非线性映射关系,采用自适应遗传算法对网络参数进行优化并感知网络安全态势,在真实网络环境下对提出的方法进行验证,实验结果证明该方法对网络安全态势感知是可行和有效的.     

CMA-ES算法优化网络安全态势预测模型

针对网络安全态势预测问题,提出了一种预测方法。该方法采用协方差矩阵自适应进化策略(CMA-ES)算法来优化径向基神经网络(RBF)预测模型中的参数,使得RBF预测模型具备更好的泛化能力,可以快速的找出复杂时间序列中的规律。仿真实验结果表明,采用CMA-ES优化的RBF预测模型能够准确预测出一段时间内的网络安全态势值,预测精度高于传统预测手段。     

基于灰色理论的网络安全态势预测方法

为了有效地预测网络安全态势,在态势因子和灰色理论的基础上,提出了将灰色GM(1,1)和GM(1,N)模型相结合来预测网络安全态势的方法。首先筛选态势因子,再利用模型GM(1,1)对态势因子的变化进行预测,得到N个态势因子变化函数,最后利用这些函数和模型GM(1,N)对网络安全态势进行预测。将灰色GM(1,1)模型、神经网络模型和本文方法对网络安全态势进行预测,实验结果表明,本方法能够更准确地预测网络安全态势。     

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度.利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型.在改进广义回归神经网络训练过程中,利用粒子群算法...     

基于IFS-NARX模型的网络安全态势预测

针对现有预测方法较难解决复杂网络环境下网络安全态势预测的不确定性,以及需有效利用经验数据提高网络安全态势预测效率和准确性的问题,通过构造网络安全大数据特征要素的直觉模糊集,提出采用基于直觉模糊集的非线性自回归神经网络(IFS-NARX)对网络安全态势进行预测的方法。实验分析表明:该预测方法相对于现有的网络态势预测方法具有更高的学习效率,更能准确有效地预测出未来一段时间内的大数据安全态势的变化趋势。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

云模型RBF神经网络的数据中心温度预测

数据中心温度预测在提高能量利用效率、降低机房空调耗电量方面具有重要意义。RBF神经网络广泛用于温度预测领域,考虑到传统RBF神经网络无法对影响温度的众多因子进行确定和选择,本文提出了一种将云模型和RBF神经网络结合的新模型。通过高维云变换确定RBF隐含层神经元,使RBF神经网络充分表达影响温度各因子的不确定性,进一步优化RBF神经网络结构。实验结果表明,该模型能较好地实现对数据中心温度的预测。     

基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

融合改进布谷鸟搜索算法和DRNN的非线性系统辨识

针对非线性系统的辨识问题,引入了对角回归神经网络模型.为了对辨识模型进行优化,设计了一种新的杂交操作策略,并将该策略引入到布谷鸟搜索中,获得改进的布谷鸟搜索算法(hCS).通过对12个典型测试函数的数值寻优实验,结果表明,所提出的算法与基本的布谷鸟算法相比,其解的精度有了明显的提高.将所提出的算法用于2个非线性系统神经网络辨识模型的优化,仿真结果表明hCS优化的模型拟合精度更高.