基于无监督Hebb规则的入侵检测方法

通过分析现有的入侵检测方法,提出了一个基于无监督Hebb规则的入侵检测方法。此方法采用高效的抓包工具抓取计算机网络数据包;根据抓取到的网络数据包的信息定义行为变量;根据无监督的Hebb规则构建网络行为模型;采用Hamming距离进行检测。实验证明该方法能够正确地构造网络行为模型,并能准确地检测出异常行为。     

基于GP的神经网络学习规则的发现

提出用遗传编程(GP)方法发现新的神经网络学习规则,并通过实验得到了几个新的学习规则;另外讨论了通过文法产生式的设计来改进对该问题的研究.     

基于分布数据库的快速关联规则挖掘算法

关联规则发现是数据挖掘的重要研究内容,随着数据库中数据的不断增加,大数据集环境下的关联规则发现日益受到重视,分布式关联规则发现是解决这一问题的有效方法。分布式数据库环境下的关联规则挖掘算法中,时间开销主要体现在两方面(:1)频繁项目集的确定;(2)网络的通讯量。为了解决第一个问题,文章提出了一种基于二进制形式的候选频繁项目集生成和相应的计算支持数算法,该算法只需对挖掘对象进行一些”或”、”与”、”异或”等逻辑运算操作,显著降低了算法的实现难度。将该算法与DMA算法相结合提出改进算法FDMA。理论分析和实验结果表明,算法FDMA大大提高了关联规则挖掘的效率,算法是有效可行的。     

基于改良蚁群算法的神经网络分类规则提取

在数据挖掘领域,分类获得了很大的关注度,其主要目的是预测数据对象的所属类别。分类方法可分为基于规则和不基于规则两大类,其中神经网络由于在预测、从经验中学习、从先前样本中泛化等方面的优秀表现,使其成为分类领域的一个重要的方法,并往往能够获得很高的分类准确性,然而其非常有限的解释能力成为了制约其应用的一大缺陷。提出了一种基于改良蚁群算法的神经网络分类规则提取方法,通过改良的蚁群算法来填补神经网络有限的解释能力,从数据中提取出分类规则。实验证明,该方法能够很好的辅助神经网络,从要分类的数据中获取规则。     

一种基于模糊规则的神经网络结构及其学习算法研究

文章提出了一种基于模糊规则的神经网络结构,并用形式化语言进行描述。基于模糊规则的神经网络由输入层、规则层和输出层三层网络结构组成,以隶属度函数（语义值）作为网络权值,输入值沿权值的传播即进行隶属度计算。在充分分析三角形函数特征的基础上,应用启发式方法,导出了FRBNN网络的学习算法。最后应用FRBNN评价船舶碰撞危险度,表明FRBNN兼备神经网络和模糊推理系统的优点。     

基于多规则实时学习神经网络的时间序列预测模型

在总结现有神经网络方法缺陷的基础上，提出了模型的思路：预测网络小型化；实时学习；多次预测取均值；加入规则辅助神经网络预测。相对于传统的神经网络模型来讲，该模型突出了动态学习、动态预测的特色，增加了辅助预测的3大规则（异常处理规则、再学习规则和取均值规则）。给出了该模型的工作流程，并以一个实际问题说明了该模型训练、预测的全过程。数据实例表明，该模型是正确的、可行的。同时和其他5种模型预测结果的对比表明，该模型的预测结果是最优的，这充分体现了模型的有效性、先进性。     

一种新的多层次关联规则挖掘算法

关联是数据挖掘领域的一个重要研究课题。如何有效地推导出关联规则,在过去已经有许多方法相继被提出,但大部分的方法对于(a)数值型数据的处理、(b)渐进式挖掘以及(c)在线挖掘等问题无法有效地同时加以处理。因此本文通过对多层次关联规则的研究,提出了以模糊分割与数据方阵为基础的算法来解决上述问题。     

基于NNAC算法的电能质量暂态扰动检测

针对当前电能质量检测分析的难点和重点问题,在分析了目前使用最多的方法小波变换优缺点的基础上,提出了基于神经网络自适应控制（NNAC）的电能质量暂态扰动检测算法。给出了电能质量暂态扰动检测的自适应控制结构,采用Hebb学习规则进行权值学习,并对电压暂降、电压瞬升、电压中断和暂态振荡等暂态扰动进行了仿真测试,结果表明所提算法可以很好地检测电网中的暂态扰动信号的类型,确定扰动发生的起始时刻和持续时间,且分析计算简单,速度快,计算所得数据量少,在电能质量扰动检测中更加具有实时性。     

基于增强型算法并能自动生成规则的模糊神经网络控制器

给出了一种基于增强型算法并能自动生成控制规则的模糊神经网络控制器RBFNNC（reinforcements based fuzzy neural network comtroller）。该控制器能根据被控对象的状态通过增强型学习自动生成模糊控制规则,RBFNNC用于倒立摆小车平衡系统控制的仿真实验表明了该系统的结构及增强型学习算法是有效和成功的。     

单体模糊神经网络的学习规则及其收敛性研究

兴久祯教授在不久前研究了单体模糊神经网络（MFNNs)的函数逼近能力,在此基础上,提出了单体模糊神经网络（MFNNs)的学习规则并进一步研究了其收敛性,研究结果表明,所提出的学习规则百收敛的,这一结论为单体模糊神经网络的应用提供了坚实的理论基础。     

一种基于神经网络集成的规则学习算法

将神经网络集成与规则学习相结合，提出了一种基于神经网络集成的规则学习算法．该算法以神经网络集成作为规则学习的前端，利用其产生出规则学习所用的数据集，在此基础上进行规则学习．在UCl机器学习数据库上的实验结果表明，该算法可以产生泛化能力非常强的规则．     

基于分布式学习的大规模网络入侵检测算法

计算机网络的高速发展,使处理器的速度明显低于骨干网的传输速度,这使得传统的入侵检测方法无法应用于大规模网络的检测.目前,解决这一问题的有效办法是将海量数据分割成小块数据,由分布的处理节点并行处理.这种分布式并行处理的难点是分割机制,为了不破坏数据的完整性,只有采用复杂的分割算法,这同时也使分割模块成为检测系统新的瓶颈.为了克服这个问题,提出了分布式神经网络学习算法,并将其用于大规模网络入侵检测.该算法的优点是,大数据集可被随机分割后分发给独立的神经网络进行并行学习,在降低分割算法复杂度的同时,保证学习结果的完整性.对该算法的测试实验首先采用基准测试数据circle-in-the-square测试了其学习能力,并与ARTMAP(adaptive resonance theory supervised predictive mapping)和BP(back propagation)神经网络进行了比较;然后采用标准的入侵检测测试数据集KDD'99 Data Set测试了其对大规模入侵的检测性能.通过与其他方法在相同数据集上的测试结果的比较表明,分布式学习算法同样具有较高的检测效率和较低的误报率.     

多模式对模糊联想记忆学习算法的优化

一、引言 人脑神经系统信息活动的一个重要特征是能够接收和处理模糊的、连续随机的信息,并在输出时不追求绝对精确解而只要求能找到问题的满意解。模糊联想记忆神经网络是Bart Kosko于1987年提出的采用模糊赫布型学习规则的一种单状态异联想记忆神经网络,在模糊控制、模式识别、专家系统等领域曾引起人们的关注。由于该网络的子集联想特性和不能有效地联想存储多个训练模式对而影响了它的应用[1-3]。本文提出模糊合成运算的一种微分法则,用一代价函数以反映网络性能,将梯度下降搜索技术与模糊赫布型学习规则相结合,建立了在单个模糊联想记忆神经网络中联想存储多个模式对的一种优化学习算法。理论分析和实例计算均证明该算法优于Kosko的学习规则。     

一种基于神经网络的规则获取方法

分类问题是数据挖掘中的一个重要问题，分类目的就是寻找规则，具体来说，就是从给定的数据集合中找出能把数据集划分成不相交的若干个组的规则，目前已有的在大型数据库中挖掘分类规则的数据挖掘方法，主要还是基于符号学习机制的决策树方法．本文研究了一种新型的规则抽取算法，能够从神经网络中抽取出较好的规则．     

基于值分布的多智能体分布式深度强化学习算法

近年来深度强化学习在一系列顺序决策问题中取得了巨大的成功,使其为复杂高维的多智能体系统提供有效优化的决策策略成为可能.然而在复杂的多智能体场景中,现有的多智能体深度强化学习算法不仅收敛速度慢,而且算法的稳定性无法保证.本文提出了基于值分布的多智能体分布式深度确定性策略梯度算法(multi-agent distribut...     

改进的分布式关联规则安全挖掘算法

以往各种分布式数据挖掘隐私保护算法无法有效解决串通问题,从而限制了其大规模应用,针对上述问题,在Clifton分布式关联规则安全挖掘算法的基础上,提出AKCA算法。采用各站点联合建立并求解方程组的安全多方求和方法。结果证明经过改进的算法能够抵御串通攻击,不借助签名验证也能发现恶意篡改。     

基于竞争学习网络的中文关键字提取算法

为提高中文关键字的提取准确率,提出一种基于竞争学习网络的中文关键字提取算法。对文章进行分词,得到单个词组或短语,视其为单个神经元,将神经元输入竞争学习网络的输入层,通过竞争层上神经元的相互竞争,获得一个或几个活跃的神经元,使用合并权值及聚类分析方法得到文章的关键字。实验结果表明,该算法提取关键字的平均命中率高于词频-逆文档频率算法和传统的词频算法,鲁棒性较好。     

一种基于条件梯度的加速分布式在线学习算法

由于容易实施, 基于投影梯度的分布式在线优化模型逐渐成为一种主流的在线学习方法. 然而, 在处理大数据应用时, 投影步骤成为该方法的计算瓶颈. 近年来, 研究者提出了面向凸代价函数的分布式在线条件梯度算法, 其悔界为${\rm O}(T^{3/4})$, 其中$T$是一个时间范围. 该算法存在两方面的问题, 一是其悔界劣于公认的悔界${\rm O}(\sqrt{T})$; 二是没有分析非凸代价函数的收敛性能, 而实际应用中代价函数大部分是非凸函数. 因此, 提出一种基于条件梯度的加速分布式在线学习算法, 使用Frank-Wolfe 步骤替代投影步骤, 避免昂贵的投影计算. 文中证明当局部代价函数为凸函数时, 所提算法达到公认的悔界${\rm O}(\sqrt{T})$; 当局部代价函数为潜在非凸函数时, 所提算法以速率${\rm O}(\sqrt{T})$收敛到平稳点. 最后, 仿真实验验证了所提算法的性能与理论证明的结论.