改进磷虾群算法优化ELM的入侵检测

泛滥的网络攻击严重威胁网络信息安全。入侵检测系统的高效性、鲁棒性等则尤为重要。针对极限学习机ELM的性能过分依赖于众多隐层节点的单隐层前馈神经网络SLFN的问题,提出基于改进磷虾群算法的极限学习机(IKH-ELM)的入侵检测算法。此算法减少隐层节点数为类别数,并利用IKH优化节点的权值和偏置,使ELM的决策性能显著上升。KDD99数据集实验表明:与原始ELM相比,IKH-ELM构造的仅5个节点的SLFN的泛化性能优势明显。与BP、SVM等算法相比,IKH-ELM算法能快速训练并有更高的检测正确率。     

基于改进烟花算法的ELM分类模型

针对极限学习机(Extreme Learning Machine,ELM)的性能必须依赖于大量隐层节点的问题,提出了基于改进烟花算法(Improved Fireworks Algorithm,IFWA)的ELM分类模型。用改进的烟花算法进行迭代搜索,求得N个最优的烟花;选择ELM测试数据集的RMSE作为改进烟花算法的适应度值函数,来优化ELM每个隐层节点的输入权值和偏置,使得节点的决策水平提高,从而使ELM的决策性能显著提高;采用KDD99数据集验证表明:改进烟花算法的极限学习机(IFWAELM)能够以较少的隐层节点得到更高的测试平均正确率,提高了极限学习机的泛化性能。5种同类算法性能对比实验也表明IFWAELM是效果最优的。     

基于PCA与FCM的入侵检测样本数据压缩方法

采用行列双向压缩的数据处理策略,提出了一种基于主成分分析与模糊C-均值聚类算法的入侵检测样本数据压缩方法。该方法首先采用主成分分析法对数据冗余特征进行压缩,然后采用模糊C-均值聚类算法对冗余样本进行压缩,由此可挖掘入侵检测样本数据中的关键特征和关键样本。通过KDD CUP99数据集测试证明:数据双向压缩可减少入侵检测分类器的计算量,进而可提高其实时检测性能和检测推断的准确性。     

模拟电路的DCNN-ELM软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于深度卷积神经网络(DCNN)特征提取的极限学习机(ELM)诊断方法.先利用DCNN在特征提取方面的优势,从含有电路故障信息的信号中自主提取有辨识力的特征;利用ELM出色的分类性能,构建获取特征的故障诊断模型;通过Sallen-Key带通滤波器电路的故障诊断实验对提出方法进行了验证.仿真结果表明,提出的基于DCNN的故障特征提取方法优于传统KPCA与KSLPP方法,与ELM分类器集成后得到的诊断准确率达到98.2％,有助于改善模拟电路的故障诊断精度,从而验证了其可行性和有效性.     

基于ELM的航空发动机故障诊断方法

以航空发动机主燃油泵为具体研究对象,提出了一种基于基于小波包能量比与极限学习机(Extreme Learning Machine,ELM)的故障诊断方法。对于某型真实航空发动机,采用振动传感器感知发动机附件机匣的振动信号,对获取的发动机附件机匣的振动信号采用DB3小波包对其进行3层小波包分解,求出第3层各频带信号的能量作为原始信号的特征,构建特征向量。用求得的特征向量建立基于ELM的故障诊断模型,对航空发动机主燃油泵进行故障诊断技术研究。为表明该方法的有效性,还设计了基于BP神经网络的故障诊断模型,并对所构建的特征向量进行了诊断。试验结果表明,基于ELM故障诊断方法可以有效提高故障诊断的速度及准确率,具有很好的工程应用前景。     

结合层次法与主成分分析特征变换的宫颈细胞识别

对宫颈细胞进行多分类可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法进行实验后,选取支持向量机作为基分类器,先用一对一策略训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。考虑不同层特征模式的差异性,在保证识别性能的同时,每层分类前先采用主成分分析法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次主成分分析法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。     

基于威胁路径的报警关联分析方法

大量的误报大大降低了现有网络入侵检测系统的实用性,利用报警日志之间的逻辑关系是降低误报率的方法之一。提出了威胁路径的概念,在此基础上提出了基于因果关系的关联分析方法。利用网络的背景信息,发掘报警日志记录之间的逻辑关系,进一步提高报警的准确性,降低误报率。经实验验证,该方法可有效降低网络入侵检测系统误报率,并可用于辅助分析网络入侵过程。     

CPSO优化参数的战斗机空战效能MELM评估模型

针对近距与超视距空战的特点,提出一种基于粒子群优化(PSO)算法与极限学习机(ELM)的空战效能评估模型.引入一种基于M估计的ELM,以抵御样本数据中粗差的干扰;采用基于混沌策略的PSO算法优化ELM隐含层的输入权值和偏差,以降低随机选取参数的影响,提升评估模型的精度;利用所建模型对战斗机空战效能进行评估.仿真表明,所...     

萤火虫优化的异构集成学习网络入侵检测方法

在网络入侵检测中单独使用一种机器学习方法检测存在盲区,检测精度较低,提出一种基于GSO优化权值的异构集成学习入侵检测算法.在构造基分类器中,通过对样本集的采样和特征集的选择增大各个基分类器样本间的差异性;通过不同学习算法对样本集的学习增强基分类器的差异度,通过加权方式集成得到检测结果.在设计权值时,引入萤火虫优化算法,对各个基分类器的分类结果权值进行优化.在通用数据集和CSE-CIC-IDS2018数据集上的实验,表明提出的方法能够有效提高检测的精度,降低误报率和漏报率.     

基于机器学习的CSE-CIC-IDS2018入侵检测数据集优化降维分析

测试数据集的质量对入侵检测系统的性能起着至关重要的作用,在保证质量的前提下对入侵检测数据集优化降维,是提高入侵检测系统高效准确运转的重要措施.使用K近邻、决策树、随机森林和Softmax分类算法,对CSE-CIC-IDS2018入侵检测数据集进行特征维数探究,按照特征重要性评分对分类器进行特征递减式训练,分析机器学习分类器对该数据集的特征维数依赖关系.结果表明,数据集的特征数量由83个减少至最低7～9个时,分类器仍可以保持较高的分类性能,且检测时间显著减少,计算效率更高.