自适应遗传算法优化神经网络的入侵检测研究

入侵检测是一种动态的安全防护技术,能够对网络内部、外部攻击进行防御.基于神经网络的入侵检测是常见的智能入侵检测方法.针对神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出了一种将神经网络和遗传算法相结合,用遗传算法优化神经网络权值,在遗传算法优化神经网络时采用自适应遗传操作.将自适应遗传算法优化神经网络算法应用于入侵检测系统中,实验结果表明,该方法能够有效的提高系统的检测率,降低误报率和漏报率.     

基于遗传算法和神经网络的入侵检测研究

基于神经网络的入侵检测是常见的智能入侵检测方法,能够对网络内部、外部攻击进行防御。将神经网络和遗传算法相结合,采用改进适应度遗传算法优化神经网络。实验结果表明,该方法能够有效的提高系统的检测率,降低误报率。     

基于深度学习的DDoS攻击检测模型

构建了基于粒子群优化卷积神经网络(PSO-CNN)的分布式拒绝服务攻击(DDoS)攻击检测模型.利用卷积神经网络的权值共享和最大池化自动挖掘网络数据流特征,引入粒子群对卷积核进行优化,在提升模型训练效率的同时,增强了模型的全局寻优能力.实验结果表明,该模型能够有效检测DDoS攻击,具有较高的检测准确率.     

基于量子遗传算法优化神经网络的入侵检测

针对入侵检测的效率及准确性问题,提出一种基于量子遗传算法优化神经网络的入侵智能检测模型,该模型基于量子遗传算法的全局搜索和神经网络局部精确搜索特性,将量子遗传算法和BP算法有机结合。利用改进的量子遗传算法优化BP神经网络的权重和阈值,使BP神经网络能快速准确地识别入侵,增强计算机网络安全。运用Matlab软件对该模型进行仿真。实验结果表明,与其他同类方法相比,该方法的检测率更高、误报率更低。     

粒子群BP神经网络在DDoS攻击检测中的应用

利用BP神经网络自适应学习,结合粒子群优化算法的全局搜索和遗传算法的快速收敛特性检测DDoS攻击行为。实验证明,新算法具有速度快、检测率高和误报率低的特点,能很好地应用于检测和抵御DDoS攻击。     

改进遗传算法优化的BP神经网络入侵检测研究

入侵检测是一种主动的安全防护技术,能够对网络内部和外部的攻击进行防御.基于神经网络的入侵检测是常用的智能检测方法,其中BP神经网络是比较常用的神经网络模型.针对BP神经网络算法易陷入局部极值和收敛速度慢等问题,将神经网络与遗传算法相结合,用改进的遗传算法优化BP神经网络权值.     

基于遗传算法的网络入侵检测方法研究

针对目前大多数入侵检测系统存在的局限性,依据通用入侵检测框架提出了一种利用遗传算法的入侵检测模型,分析了入侵模糊特征、模糊神经网络的学习优化问题。给出了此模型中模糊神经网络模块的训练算法。仿真实验结果表明该检测算法可以有效地进行入侵检测,检测效率达到92%以上。     

基于神经网络与遗传算法的入侵检测研究

入侵检测是一种动态的安全防护技术,能够对网络内部、外部攻击进行防御。采用遗传算法来优化神经网络权值,能很好地避免BP算法的局部极小值,解决了BP算法收敛慢的问题。同时也能解决单独利用遗传算法短时间难以找到最优解的问题。将该算法应用于入侵检测领域中,理论与实验表明该算法具有较好的检测能力。     

神经网络集成模型在入侵检测中的应用

入侵检测是网络安全研究中的热点。提出了一种用于入侵检测的神经网络集成模型。该模型采用神经网络集成分类技术,去除训练集中的冗余数据,利用遗传算法优化成员网络的权值,在此基础上训练成员网络,最终通过神经网络对成员网络的输出结果进行融合。理论和实验表明,模型具有较好的检测能力。     

CIPS中基于改进GANN的入侵检测模型

应用在计算机集成过程系统(CIPS)网络中的入侵检测系统误报率和漏报率较高.针对该问题,利用遗传算法的全局寻优能力和神经网络对于非线性映射的强大逼近能力,提出具有自学习和自适应能力、基于遗传算法神经网络(GANN)的入侵检测模型,包括数据采集模块、数据预处理模块、神经网络分析模块和入侵报警模块4个部分.为克服遗传算法易早熟、搜索迟钝的缺点,对GANN的适应度值调整方式进行改进,对遗传算法的参数设定进行优化,并采用改进的遗传算法优化收敛速度慢、易陷入极值的BP神经网络.仿真实验结果表明,该模型使系统的检测率提高至97.11％.     

一种基于BP神经网络的SIP DoS洪泛攻击检测方法

为了检测IMS网络中的SIP洪泛攻击,提出一种基于BP神经网络的洪泛攻击检测方法,并分析产生SIP洪泛攻击的原因,由此确定BP神经网络特征输入量,仿真试验结果表明该方法具有较好的检测性能。     

基于神经网络的矿用红外瓦斯传感器检测模型的研究

文章简要介绍了瓦斯红外检测原理,指出了传统吸收型模型的不足,基于RBF神经网络的非线性逼近能力建立了一种红外瓦斯传感器检测模型,给出了RBF神经网络的组织,并对RBF神经网络进行了训练,得到了红外瓦斯传感器检测模型的RBF神经网络结构。实验结果表明,该模型误差小、精度高,可满足煤矿井下应用的需要。     

基于遗传算法的BP神经网络在企业资信评估中的应用

提出了一种新的企业资信评估方法.通过把神经网络和遗传算法有机地结合起来,既克服了传统BP网络训练时间长、易陷入局部极值的缺点,又利用遗传算法提高了网络全局收敛的效率.该模型采用C#.NET SQL server 2000实现.实验结果表明,基于遗传算法的BP神经网络系统对企业资信评估有着良好的性能.     

基于遗传算法和BP神经网络的房价预测分析

针对BP神经网络存在易陷入局部极小值、收敛速度慢等问题,提出用遗传算法优化BP神经网络并用于房价预测。采用BP神经网络建立房价预测模型。利用遗传算法对BP神经网络的初始权值和阈值进行优化。选取1998年2011年贵阳市的房价及其主要影响因素作为实验数据,分别对传统的BP神经网络和经过遗传算法优化后的BP神经网络进行训练和仿真实验,结果表明,与传统的BP神经网络预测模型相比,经过遗传算法优化后的BP神经网络预测模型能加快网络的收敛速度,提高房价的预测精度。     

人工鱼群算法优化神经网络的网络入侵检测

为了提高网络入侵检测率,提出一种人工鱼群算法（AFSA）优化ELM神经网络的网络入侵检测模型。首先将ELM神经网络参数编码成人工鱼的位置,然后利用人工鱼群算法通过模拟鱼群的觅食、聚群及追尾行为找到最优ELM神经网络参数,最后利用最优参数的ELM神经网络建立网络入侵检测模型,并采用KDD CUP 99数据集进行仿真测试。仿真结果表明,模型不仅提高了入侵检测正确率,而且加快了网络入侵检测速度。     

相似度分析结合人工神经网络鉴别苹果香精

采用相似度分析结合人工神经网络的方法鉴别苹果香精。香精经水溶液稀释处理后再经离子迁移谱仪分析,针对仪器波动性引起的谱图差异,应用相似度分析的方法判别离群谱图,筛选有效谱图,建立了香精样品的离子迁移谱指纹图谱库。通过主成分分析提取香精指纹图谱的特征向量输入误差反向传播神经网络,建立了几种不同网络结构的分类鉴别模型。实验结果表明,采用单层感知机,网络结构为10-13-5,激活函数为tansig,训练函数为trainbr的分类鉴别模型最佳,能避免过拟合,获得更加精确的识别效果,识别率达99.41%,且较去离群谱图前的识别率提高了3.82%。     

基于混沌PSO算法优化RBF网络入侵检测模型

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。     

Modelling of electrostatic fluidized bed (EFB) coating process using artificial neural networks

This paper involves experimentation on coating process of metal substrates in an electrostatic fluidized bed (EFB). Several operational parameters were covered like coating time, applied voltage and gas flow rate fed to the fluidized bed.First, a design of experiment (DOE) approach was used to define the experimental campaign and a general linear model based on analysis of variance (ANOVA) was used to elaborate and interpret the influence of all the operational parameters on coating thickness trends.Second, the experimental data were modelled using artificial neural networks. Different neural networks and training algorithms were employed to find the best technique to predict the coating thickness trends. The reliability of the best neural network solutions was checked by comparing them with a built ad hoc regression model. The multi-layer perceptron (MLP) neural network trained with back-propagation (BP) algorithm was found to be the fittest model. Besides, a genetic algorithm (GA) was also employed to improve the capability of MLP model to provide the best fit of experimental results all over the investigated ranges.Finally, a verification experimental plan was performed and a related analytical model was developed to check the reliability of the neural network model with GA to predict the whole coating thickness trends according to the operational parameters. A comparison between the neural network model and an analytical model was also carried out.     

基于遗传神经网络的误分类代价敏感网络入侵检测

针对传统的基于遗传神经网络的入侵检测模型未考虑误分类代价的不足,将误分类代价敏感的特征集成到基于遗传神经网络的网络入侵检测模型中,从而克服了传统模型中错误分类时可能导致代价过大的缺点。通过实验结果表明,增加了误分类代价敏感特征后的遗传神经网络能较好地控制网络入侵检测系统误报、漏报攻击时所产生的代价。