粒子群算法优化的神经网络在入侵检测中的应用

为解决bp神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(samde)优化bp神经网络并用于入侵检测的可行性进行研究。该算法引入模拟退火算法(sa)和一种融合de/rand/1与de/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力。用改进后的算法优化bp神经网络权值阈值。通过逐次的迭代训练使bp神经网络收敛,将优化过的bp神经网络用于入侵检测。仿真实验结果显示,优化的bp网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间。

为解决bp神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(samde)优化bp神经网络并用于入侵检测的可行性进行研究.该算法引入模拟退火算法(sa)和一种融合de/rand/1与de/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力.用改进后的算法优化bp神经网络权值阈值.通过逐次的迭代训练使bp神经网络收敛,将优化过的bp神经网络用于入侵检测.仿真实验结果显示,优化的bp网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间.

为了改善传统的人工神经网络,在训练过程中容易陷入局部最小导致应用于水资源评价时存在对训练样本的拟合精度不高的缺点,采用粒子群算法优化人工神经网络的权值和阈值,然后将其应用于中国12个地区的水资源可持续利用系统评价实例中,并和传统的人工神经网络进行了对照。结果表明,基于粒子群算法的人工神经网络和传统的人工神经网络相比,能较好的提高对训练样本的拟合精度,表明基于粒子群算法的人工神经网络,用于水资源可持续利用系统评价是可行的。

提出了一种将粒子群优化算法(pso)训练神经网络用于配电网线损计算的方法。该方法使用由pso训练的bp模型来拟合影响线损的特征参数与线损之间的复杂关系。实例计算表明,与bp算法及bp与ga结合算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度。

针对工业控制系统入侵检测模型对各类攻击的检测率和检测效率不高的问题,提出一种adaboost算法优化bp神经网络的入侵检测模型.首先利用主成分分析法对原始数据集进行预处理,消除其相关性；其次利用adaboost算法对训练样本的权重进行不断调整,从而获得bp神经网络最优权重和阈值；最后再通过adaboost算法将bp弱分类器组合成bp强分类器,从而实现工业控制系统的异常检测.实验结果表明该方法在对各攻击类型的检测率和测试时间明显优于其他算法模型.

针对传统方法单独采用bp神经网络算法易陷入局部极值的问题,提出了遗传算法优化bp神经网络,并将其应用于mimo-ofdm系统信号检测中。该方法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,使bp网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。仿真结果表明所提出的方法在误码率方面有比较好的性能。

采用一种基于粒子群优化算法和人工神经网络相结合的混合算法应用于电力电子整流电路的故障诊断。文中首先论述了粒子群优化算法以及实现粒子群和神经网络的混合算法的操作步骤,然后将这种诊断方法应用于电力电子整流电路的故障诊断。仿真诊断结果表明,这种混合诊断方法可用于电力电子三相整流电路的故障诊断。它具有较快的收敛速度和较高的诊断精度,它具有工程的应用价值。

随着云计算的发展和应用范围的不断扩大，云环境下的安全和隐私问题日益突出。传统的入侵检测系统已经远远不能满足当今海量数据的要求，建立云环境下高效的入侵检测系统已经成为入侵检测领域的重要研究方向。基于云计算提供的超大规模的计算能力和海量存储能力，提出了一种基于云环境的入侵检测系统，系统能够对海量入侵检测数据学习，实时检测，在入侵检测的效率和精度上比传统的入侵检测系统有所提高。

提出一种采用bp神经网络算法来预测深基坑沉降的方法,结合具体工程实例,构建了预测深基坑周边地表沉降具体bp神经网络模型,预测结果表明,该模型有较高的预测精度,可作为预测沉降的一种新方法。

针对离散变量的渡槽结构优化设计问题,建立粒子适应度、种群规模与搜索空间维度的惯性因子自适应函数,通过适应度方差判断种群是否早熟,采用混沌扰动避免种群早熟以及采用动态罚函数等技术对基本粒子群算法进行了改进。实例应用表明,改进的pso算法全局收敛能力强、精度高,在渡槽结构优化设计中具有较好的通用性。

及时监测土壤的污染程度,可以使我们预知土壤的各种状况,有利于我们调整对土壤的使用策略,同时也便于我们及时治理污染。本文采用粒子群和bp混合算法优化神经网络,将其用于土壤污染程度的预测,得到了满意的结果,实现了对土壤污染程度的预测,可以对企业和个人提供快捷和科学的信息。

船舶电力系统网络重构本质上是带约束的多目标组合优化问题。针对船舶电网重构问题的特点,建立了船舶电力网络的无向图模型;在此基础上,进一步建立了以负荷恢复量、开关操作次数和发电机效率均衡性为优化目标的船舶电力系统多目标重构模型;提出了一种结合\"背包策略\"和模拟退火算子的改进粒子群算法进行求解。其中\"背包策略\"可以明显提高粒子群算法的搜索起点和加快收敛速度;模拟退火算子能够很好地提高粒子群算法的局部搜索能力和克服粒子群算法易于陷入局部最优解的缺点。测试算例结果表明,利用所提方法能够获得更好、更完备的船舶电力系统重构方案,算法具有较好的优化性能。

针对高维、复杂的梯级水库优化调度在求解时易出现\"维数灾\"或陷入局部最优解的问题,本文提出了基于免疫进化算法的粒子群优化算法,该算法充分利用了免疫进化算法的全局搜索特性和粒子群算法的局部搜索能力,克服了粒子群寻优中对初始种群的依赖和易陷入局部最优的不足。通过实例计算表明,应用该算法求解梯级水库优化调度问题,结果可靠、合理,计算效率高,从而为求解高维,复杂的梯级水库优化调度提供了新的思路。

针对隧道工程施工网络计划执行率低的现状,将遗传算法和神经网络技术联合用于隧道施工网络计划的动态优化与决策。基于遗传优化和神经网络方案(模式库、专家知识系统)的优化决策方法能使该技术在隧道施工的应用更科学合理、准确可靠和方便快捷。该技术不仅能解决施工网络计划的执行率低的现状,而且为信息化和智能化的隧道施工提供了有力的技术保障,具有广泛的应用前景。

为了有效解决网络系统可能出现的故障,结合模糊神经网络提出了一种新的故障检测算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).该算法根据特征信息熵建立了故障检测评价方法和最小偏差的优化模型,设计了模糊神经网络中输入层、模糊化层、模糊规则层和解模糊层,并且给出了具体的算法流程.通过建立网络仿真平台,深入分析了影响fdd-fnn算法的关键因素,同时对比研究了fdd-fnn算法与其他算法的性能情况,结果表明fdd-fnn算法具有较好的适应性.

本文利用bp神经网络将极限状态方程显式化和粒子群算法求解，并以大跨度钢管混凝土拱桥为例进行可靠度分析。结果表明，在充分考虑几何非线性效应的条件下，该方法能够很好地应用于大跨度钢管混凝土拱桥的可靠度分析，以弥补传统方法的不足，并且满足工程精度要求。

支持向量机以严格的数学理论为基础,具有简单的数学形式、直观的几何解释和良好的泛化性能,其与核函数的结合使它成为解决分类、回归、概率密度估计等实际问题的有力工具。但当处理大规模的数据集时,无论在时间和空间效率上都是无法满足人们的需求。针对该问题,本文提出ασ-svm支持向量机,通过对其训练样本的缩减从而减少其训练时间。最后ασ-svm算法对kdd99cup入侵检测数据做验证,并与常规的svm做对比,实验结果表明该方法不但能应用到入侵检测中,而且其训练的时间也明显的减少。

盾构掘进优化能够提高施工的稳定性,确保施工效率和施工质量,因此,将改进粒子群算法应用于盾构掘进施工优化中.文章分析了盾构掘进施工参数对施工质量的影响,并设计了施工优化的数学模型;研究了改进粒子群算法,提出了惯性权重的调节算法和设计盾构掘进施工优化的算法流程;最后进行了盾构掘进施工优化的仿真分析.结果表明:该算法能够有效地控制盾构掘进施工的沉降量,从而确保了盾构掘进施工质量.

为了实现桩身完整性的智能分类,并减少人为因素造成的误判,文章建立适用于桩基完整性检测的基于遗传算法的bp神经网络模型,运用matlab软件对模型进行模拟,并求出模型的可行性的解,从而实现对不同类型桩身的完整性智能辨别的功能,最后再通过测试样本对模型的正确性进行验证。测试样本中的预测结果与理想结果非常接近,通过计算得出测试样本的仿真误差为0.1538,训练样本的仿真误差为0.092644。结果表明,基于遗传算法的bp神经网络模型能过较好的对桩身完整性进行分类,并且在减少桩型误判的情况下,又提高了效率,在实际工程中具有良好的应用前景。

目的将改进的神经网络模型应用于钻孔灌注桩桩孔质量的智能化识别,从而减少人为的误判、漏判情况.方法将遗传算法与神经网络模型有机地结合起来,建立桩孔质量检测的智能化模型,先利用遗传算法对神经网络的权值和阈值进行优化,再结合训练完成的神经网络模型对桩孔质量进行预测,同时根据现场数据建立三维分析图,通过预测结果与三维分析图的比对来验证模型的准确性.结果测试样本的仿真误差为0.00575,训练样本的仿真误差为0.0224;5、6号桩孔的预测结果为(0.0012,0.9999),(0.0027,0.0051),即5号桩质量为合格,6号桩质量为良好.结论通过预测结果与三维分析图的比对结果,可以得出基于遗传算法的神经网络模型能够较好地对孔灌注桩进行智能判别.

目的将改进的神经网络模型应用于钻孔灌注桩桩孔质量的智能化识别,从而减少人为的误判、漏判情况.方法将遗传算法与神经网络模型有机地结合起来,建立桩孔质量检测的智能化模型,先利用遗传算法对神经网络的权值和阈值进行优化,再结合训练完成的神经网络模型对桩孔质量进行预测,同时根据现场数据建立三维分析图,通过预测结果与三维分析图的比对来验证模型的准确性.结果测试样本的仿真误差为0.00575,训练样本的仿真误差为0.0224;5、6号桩孔的预测结果为(0.0012,0.9999),(0.0027,0.0051),即5号桩质量为合格,6号桩质量为良好.结论通过预测结果与三维分析图的比对结果,可以得出基于遗传算法的神经网络模型能够较好地对孔灌注桩进行智能判别.

为提高网络入侵检测的检测效果,提出了一种基于改进d-s证据理论的信息融合网络入侵检测方法。该方法首先采用支持向量机(supportvectormachine,svm)统计机器学习方法分别对基于主机和基于网络的数据进行训练;然后针对d-s证据理论无法解决证据之间冲突问题,从合成规则着手,提出一种改进的d-s证据理论;最后采用改进的d-s证据理论对svm的训练结果进行融合,兼顾了两类检测结果的优势,提高了网络入侵检测的性能。仿真结果表明,与单一的入侵检测策略相比,该方法能有效提高网络入侵检测的准确率,降低漏报率,提高了网络入侵检测的整体性能。