灰色问题神经网络建模的白化方法

本文对灰微分方程及其参数的形态与特征进行了研究,分析了灰微分方程参数的灰性,提出了用神经网络方法对灰微分方程的参数进行白化的方法,建立了对灰微分方程参数进行白化的BP网络,由于该BP网络充分利用了灰微分方程参数的灰性,因而所建立的BP网络是一种灰色神经网络.本文在对一维灰色问题和神经网络建模进行研究的基础上,提出了一种利用神经网络对灰微分方程参数进行白化的方法——灰色神经网络方法GNNM(1,1).进一步,对二维灰色问题进行研究并建立了GNNM(1,2)模型.     

灰色神经网络模型及其应用

灰色建模要求的样本点少,不必有较好的分布规律,而且计算量少,操作简便。而BP网络学习样本时,会反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等优点。本文将灰色预测建模和神经网络技术融合起来,建立灰色神经网络模型(GNNM)。提出计算残差序列和新的预测值的公式。用于发酵动力学预测,结果表明,灰色神经网络模型在预测精度方面优于常规灰色模型。该模型的算法概念明确,计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围。     

灰色系统在基于神经网络入侵检测中的应用初探

基于神经网络的入侵检测模型,受限于所选择的训练集且过程反复繁杂,该文提出了应用灰色系统结合神经网络的方法对该模型进行改进,这样便可以较好地弥补其不足之处。     

灰色系统与神经网络融合技术探索

本语文分析了灰色系统、神经网络的各自特点,论述了灰色系统与神经网络间的关系,分析了灰色系统与神经网络的结合方式,并提出一种新的灰色系统与神经网络融合方式即灰色神经网络。     

神经网络在入侵检测系统中的应用

本文简要分析了当前的几种入侵检测方法,指出了将神经网络应用于入侵检测系统的优越性。重点介绍了LVQ神经网络的结构及其学习算法,提出了将LVQ神经网络用于入侵检测系统的方法,并给出了基于LVQ神经网络的网络入侵检测系统模型结构。最后,用matlab进行了仿真实验。结果表明,运用LVQ神经网络检测入侵,可以达到较高的准确检测率,是一种有效的入侵检测手段。     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

神经网络在入侵检测系统中的应用

本文简要分析了当前的几种入侵检测方法,指出了将神经网络应用于入侵检测系统的优越性.重点介绍了LVQ神经网络的结构及其学习算法,提出了将LVQ神经网络用于入侵检测系统的方法,并给出了基于LVQ神经网络的网络入侵检测系统模型结构.最后,用matlab进行了仿真实验.结果表明,运用LVQ神经网络检测入侵,可以达到较高的准确检测率,是一种有效的入侵检测手段.     

灰色补偿神经网络及其应用研究

本文给出了灰色系统与神经网络的一种新的结合方式—灰色补偿神经网络。该网络利用神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

灰色补偿神经网络及其应用研究

本文给出了灰色系统与神经网络的一种新的结合方式-灰色补偿神经网络.该网络利用神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值.仿真结果表明本方法优于其它灰色神经网络.     

基于改进的ART-2神经网络的IDS的设计

提出了一种基于改进的ART-2神经网络的入侵检测系统,采用新的非线性变换函数和竞争层学习算法克服了ART-2神经网络的“预处理信号畸变”和“同相位不可分”问题,使之更适用于入侵检测,提高了检测的准确率和对未知入侵的自适应识别能力。     

基于BP神经网络的入侵检测算法

为解决传统入侵检测算法存在的高漏报率及高误报率问题,结合BP神经网络算法的优点,提出一种采用遗传算法来优化BP神经网络算法的入侵检测算法。该算法通过遗传算法找到BP神经网络的最适合权值,采用优化的BP神经网络对网络入侵数据进行学习和检测,解决直接使用BP学习造成的训练样本数量过大而难以收敛的问题,同时缩短样本训练时间,提高BP神经网络分类正确率。仿真实验结果表明,与传统网络入侵检测算法相比,该算法的训练样本时间更短,具有较好的识别率和检测率。     

入侵检测的进化神经网络研究

针对传统入侵检测系统漏报率和误报率高的问题,提出基于遗传神经网络的入侵检测系统。该系统将遗传算法和BP算法有机结合,利用遗传算法较强的宏观搜索能力和全局寻优特点,优化BP网络的初始权值和阈值,并在此基础上进行神经网络学习,从而建立入侵检测系统的优化分析模型。实验结果表明,该算法可以有效地运用于入侵检测系统中。     

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。     

一种基于进化神经网络的混合入侵检测模型

为了提高入侵检测系统的检测率并降低误报率,将误用检测技术和异常检测技术进行结合,以克服采用单一技术的缺陷。采用改进的进化神经网络作为检测引擎,首先,通过对遗传算法进行改进,弥补实数编码全局寻优能力差的缺陷,且降低计算的复杂度,提高进化收敛速度;然后,将改进的遗传算法和BP神经网络的LM算法进行结合,进一步克服神经网络学习阶段训练速度慢和易陷入局部最优的缺点,进而提高神经网络的分类能力和模式识别能力。采用 KDDCUP99数据集作为训练与测试数据集进行实验,结果表明,基于改进的进化神经网络建立的混合入侵检测模型在数据特征规则的提取速度、检测精度以及识别新的攻击类型方面有明显改善。     

基于拟牛顿算法神经网络的入侵检测系统的研究

近年来,神经网络技术在入侵检测中得到了广泛应用,其中最具代表性的是BP神经网络,但其本身所具有的局部极小性质限制了检测性能的提高。利用人工神经网络可以解决当前其他入侵检测方法中所遇到许多问题,有望成为异常检测中统计方法的替代品,是研制具有学习和适应能力的入侵检测系统重要手段之一。通过抽取部分混合实例以及典型攻击实例进行模式训练、测试后,在BP神经网络优化算法进行对比研究的基础上,利用拟牛顿算法对传统BP算法进行改进,从而提高入侵检测系统的收敛度,检测率。实验分析可得,在一定的训练方法基础上,基于拟牛顿算法优化神经网络和其他几种算法相比,在针对多种攻击类型上检测率有不同程度的提高。     

基于粗糙集的进化神经网络入侵检测系统研究

针对目前实时入侵检测系统所处理的网络数据具有的非线性和高维的特点,提出基于粗糙集理论的进化神经网络入侵检测方法。对网络中截获的数据,利用粗糙集属性约简方法对其属性集进行约简,得到影响分类精度的重要属性。把约简后形成的训练样本进行数值化和归一化处理,作为神经网络的输入数据,再利用遗传算法较强的宏观搜索能力和全局寻优的特点,优化神经网络权值,并在此基础上进行神经网络学习,从而建立入侵检测系统的优化分析模型。实验结果表明,该算法学习速度快,有效提高了入侵检测系统的检测效率。     

基于Boosting RBF神经网络的入侵检测

提出一种新颖的基于boosting RBF神经网络的入侵检测方法。将模糊聚类和神经网络技术相结合,提出基于改进的FCM算法和OLS算法相结合的FORBF算法,为了提高RBF神经网络的泛化能力,采用Boosting方法,进行网络集成。以“KDD Cup 1999 Data”网络连接数据集训练神经网络并仿真实验,得到了较高的检测率和较低的误警率。     

BP神经网络在入侵检测系统中的应用研究

文章针对传统的入侵检测系统误报率和漏报率较高、检测效率和智能化程度不足的缺点,提出了基于BP神经网络的入侵检测系统,详细介绍了BP神经网络的工作原理,分析了基于BP神经网络的入侵检测系统的设计和实现,通过仿真实验表明这种神经网络和遗传算法可以有效地应用到入侵检测系统中。     

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。     

混沌免疫遗传算法的网络入侵检测模型

为了有效地提高入侵检测系统的检测率并降低误报率,提出采用属性约简方法对高维入侵检测数据进行特征选择,剔除无关的属性输入来提高检测效果,将混沌免疫遗传算法引入神经网络学习过程用以进行入侵检测,与传统BP神经网络检测结果进行比较,实验结果表明,将该方法用于入侵检测是切实可行的。