一种改进QPSO优化BP网络的入侵检测算法

为了较好克服量子粒子群算法存在早熟收敛的缺点,在分析算法参数和流程的基础上,提出了一种带变异操作的改进量子粒子群优化算法。针对传统BP算法易于陷入局部极小的不足,将改进的算法应用到BP神经网络的学习过程中,修正BP网络的权值和阈值,提高其收敛性能。并将优化的BP神经网络模型应用于入侵检测中,用标准入侵检测数据对基于不同算法的BP网络进行仿真实验比较。实验结果表明,改进后的BP算法迭代次数少,收敛速度有所提高,在一定程度上提高了入侵检测率。     

一种改进QPSO优化BP网络的入侵检测算法

为了较好克服量子粒子群算法存在早熟收敛的缺点,在分析算法参数和流程的基础上,提出了一种带变异操作的改进量子粒子群优化算法。针对传统BP算法易于陷入局部极小的不足,将改进的算法应用到BP神经网络的学习过程中,修正BP网络的权值和阈值,提高其收敛性能。并将优化的BP神经网络模型应用于入侵检测中,用标准入侵检测数据对基于不同算法的BP网络进行仿真实验比较。实验结果表明,改进后的BP算法迭代次数少,收敛速度有所提高,在一定程度上提高了入侵检测率。     

基于MPSO的BP网络及其在入侵检测中的应用

提出一种基于变异粒子群优化(MPSO)的BP网络学习算法,该算法用PSO算法替代了传统BP算法,且在学习过程中,引入变异操作,克服传统BP算法易陷入局部极小和PSO算法早熟的不足。并把该算法应用于入侵检测中,通过KDD99 CUP数据集分别对基于不同算法的BP神经网络进行了仿真实验比较,结果表明,该算法的收敛速度快,迭代次数较少,而且测试平均准确率高达96.5%。     

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。     

基于PCA的PSO-BP入侵检测研究

为了提高入侵检测系统的检测率和降低误报率,提出变惯性因子粒子群算法优化BP神经网络的权值和阈值方法,融合BP局部搜索和PSO的全局寻优能力。通过反复训练学习,当训练误差达到精度范围内,用优化过的BP网络进行仿真实验。在数据预处理中,提出采用主成分分析方法进行特征提取,减少学习过程时间和加速收敛。通过实验分析和比较,该算法提高了入侵检测的正确率和泛化能力,降低了误报率和漏报率,加快了收敛速度,迭代次数少。     

基于PSO-BP神经网络的入侵检测技术优化算法的研究

针对基于BP神经网络的IDS技术收敛速度较慢,易陷入局部最优值、网络瘫痪,系统稳定性差等问题,本文提出了基于PSO-BP神经网络的入侵检测技术优化算法。利用粒子群优化算法优化BP网络的权重,首先利用PSO算法优化得到一个最优初始值,然后通过BP网络算法修正误差值,从而获得最优值。     

基于PSO的BP神经网络学习算法

针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法。采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正。将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较。实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型。     

基于粒子群优化与BP算法的协同神经网络学习方法

针对标准BP算法易陷入局部极值及收敛速度慢等问题,提出一种基于粒子群优化与BP算法的协同神经网络学习方法。该方法在网络的学习过程中,同时利用PSO优化算法与BP算法进行最优网络权值的协同搜索,从而充分利用粒子群算法的全局搜索性及BP算法的反向传播特点。将该算法应用于4个复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络算法进行比较。实验结果表明所提的协同算法的性能优于传统的BP网络优化算法。     

基于改进粒子群算法的BP算法的研究

针对BP算法的缺陷以及标准粒子群算法优化BP网络权值的不足,为了提高算法的全局搜索能力,提出了基于自适应动态调整惯性权重的粒子群算法的BP网络算法.算法根据适应度值的改变情况来调整惯性权重,使惯性权重的改变不依赖于最大迭代次数和当代迭代次数,从而使整个网络具有较快的收敛速度和较小的误差.将算法应用于海参疾病的诊断中.实验发现,基于自适应动态调整惯性权重的粒子群算法的BP算法比基本粒子群算法的BP算法收敛速度快,算法的准确率也比较高,同时改进算法训练的BP网络也比基本粒子群算法训练的BP网络稳定.仿真证明,自适应动态调整惯性权重的粒子群算法对BP算法的优化优于基本粒子群算法.     

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。     

基于CS-CPSO与SVM融合的WSNs入侵检测算法

为了提高基本粒子群优化(PSO)算法与支持向量机(SVM)融合的无线传感网络(WSNs)入侵检测算法的检测精度与收敛速度,提出了一种基于完全正弦映射混沌粒子群优化(cS-cPSO)算法与SVM融合的WSNs入侵检测算法(CS-CPSO-SVM).采用CS-CPSO算法优化SVM参数,不仅将正弦映射混沌搜索应用于粒子群算法中初始种群与局部最优解混沌扰动的产生,且将其用于惯性权重的优化以及随机常数和学习因子的产生,并用多个初始值分别迭代生成多条混沌轨道.以KDDCUP99数据集作为实验数据,经理论分析与仿真实验表明:该方法可以有效地检测入侵行为,并具有良好的检测精度与收敛速度.     

基于快速BP学习算法的入侵检测技术研究

本文构建了一个新的入侵检测模型,利用MATLAB神经网络工具箱中提供四种典型的快速改进算法作为BP网络训练的学习函数;实验结果表明,采用最佳网络设计的入侵检测模型能加速网络收敛,降低计算机资源消耗,提高检测率。     

油井作业中传感器误差补偿方法的研究

为了提高油井作业中压力传感器的测量精度,提出了一种基于粒子群优化BP神经网络的误差补偿方法.利用粒子群算法的全局寻优和收敛速度快的特点,训练网络的权值,能有效地改善BP神经网络传统算法的收敛速度和学习能力.结果表明:这种方法大大提高了压力传感器在油井作业中的测量精度和稳定性,也提高了油田作业的工作效率.     

基于改进白名单过滤的跨网入侵检测仿真

为了有效提升传统入侵检测方法的检测效率,提出基于改进白名单过滤的跨网入侵检测方法。首先,组建有效的数据存储结构,设定相应的白名单规则及配置对报文数据进行初次过滤;然后,采用神经网络对白名单规则进行完善,将训练学习结果输入到过滤器中,二次过滤不符合白名单规则的报文数据;提高跨网异常通信检测率。最后,以粒子群优化算法为基础,引入自适应变异过程优化BP神经网络训练参数,避免BP神经网络训练学习结果陷入局部最优,保证检测结果的有效性。实验结果表明,与传统方法相比,所提方法的检测效率有很大程度的提升。     

基于BP网络与改进的PSO算法的入侵检测研究

本文针对入侵检测系统中的误检率,提出了一种将BP网络和改进的PSO算法相结合的方法。该方法基于BP网络算法的局部精确搜索和改进的PSO算法的全局搜索的特性,并且用改进的PSO算法优化BP网络的权值、阈值,克服BP网络算法易陷入局部极值的弊端。在入侵检测系统中应用该网络结构,能准确地发现已知的攻击行为,并能进一步预测新的攻击行为,减少了入侵事件的漏报和误报。通过KDD99 CUP数据集进行仿真实验,与基于PSO-BP算法、传统的BP算法的入侵检测系统相比较,表明改进的PSO-BP算法的迭代次数较少、收敛速度快、检测率高,有一定的有效性。     

基于BP神经网络的医学图像分割新方法

对于医学图像而言,其分割结果的准确性对医生诊断病情并给出正确的治疗方案至关重要。应用传统的BP神经网络对医学图像进行分割,存在对初始权重值敏感、学习速率固定、收敛速度慢和易陷入局部极小值等问题。因此,提出了一种基于改进的粒子群优化算法的BP 神经网络的医学图像分割方法。首先,应用粒子群优化算法与BP神经网络的映射关系,通过粒子群强大的搜索功能找到最佳适应函数,使对应的BP神经网络的均方误差达到最小值,克服了BP 神经网络产生多个局部最小值的可能;其次,确定粒子的最佳位置后,在BP神经网络学习中获得最合理的权值和偏置值,以提高网络的收敛速度;最后,BP神经网络经反复训练后,获得最佳输出值,并计算阈值,通过阈值来分割图像区域。实验结果表明,利用改进的算法能够得到更清晰的图像分割效果,提高了图像的分割精度,对临床的诊断也具有重要参考意义。     

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。     

改进的HS算法优化BP神经网络的入侵检测研究

基于传统BP神经网络的入侵检测中，BP神经网络算法模型存在着易陷入局部最优且初始值随机性较大的缺陷。初始值的选择直接影响到BP神经网络的训练效果，较好的初始值有利于BP神经网络跳过局部最优，从而提高训练效率。针对BP神经网络的缺陷，提出了用改进的和声搜索算法对BP神经网络的初始值进行优化，使得BP神经网络得到一组较优的初值的方法。实验结果显示，改进的和声搜索算法具有更高的适应度函数值，将该算法优化的BP神经网络用在入侵检测中，能够显著提高算法检测率和收敛速率。     

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。