粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用

為解決bp神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測(cè)時(shí)檢測(cè)率較低、訓(xùn)練時(shí)間過長(zhǎng)的問題,對(duì)改進(jìn)差分進(jìn)化算法(samde)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)并用于入侵檢測(cè)的可行性進(jìn)行研究。該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對(duì)差分進(jìn)化算法進(jìn)行改進(jìn)以提高其全局尋優(yōu)能力。用改進(jìn)后的算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)權(quán)值閾值。通過逐次的迭代訓(xùn)練使bp神經(jīng)網(wǎng)絡(luò)收斂,將優(yōu)化過的bp神經(jīng)網(wǎng)絡(luò)用于入侵檢測(cè)。仿真實(shí)驗(yàn)結(jié)果顯示,優(yōu)化的bp網(wǎng)絡(luò)在收斂速度和精度方面有明顯提升,用于入侵檢測(cè)時(shí)提高了檢測(cè)準(zhǔn)確率,縮短了訓(xùn)練時(shí)間。

為解決bp神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測(cè)時(shí)檢測(cè)率較低、訓(xùn)練時(shí)間過長(zhǎng)的問題,對(duì)改進(jìn)差分進(jìn)化算法(samde)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)并用于入侵檢測(cè)的可行性進(jìn)行研究.該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對(duì)差分進(jìn)化算法進(jìn)行改進(jìn)以提高其全局尋優(yōu)能力.用改進(jìn)后的算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)權(quán)值閾值.通過逐次的迭代訓(xùn)練使bp神經(jīng)網(wǎng)絡(luò)收斂,將優(yōu)化過的bp神經(jīng)網(wǎng)絡(luò)用于入侵檢測(cè).仿真實(shí)驗(yàn)結(jié)果顯示,優(yōu)化的bp網(wǎng)絡(luò)在收斂速度和精度方面有明顯提升,用于入侵檢測(cè)時(shí)提高了檢測(cè)準(zhǔn)確率,縮短了訓(xùn)練時(shí)間.

為了改善傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò),在訓(xùn)練過程中容易陷入局部最小導(dǎo)致應(yīng)用于水資源評(píng)價(jià)時(shí)存在對(duì)訓(xùn)練樣本的擬合精度不高的缺點(diǎn),采用粒子群算法優(yōu)化人工神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,然后將其應(yīng)用于中國(guó)12個(gè)地區(qū)的水資源可持續(xù)利用系統(tǒng)評(píng)價(jià)實(shí)例中,并和傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)照。結(jié)果表明,基于粒子群算法的人工神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)相比,能較好的提高對(duì)訓(xùn)練樣本的擬合精度,表明基于粒子群算法的人工神經(jīng)網(wǎng)絡(luò),用于水資源可持續(xù)利用系統(tǒng)評(píng)價(jià)是可行的。

提出了一種將粒子群優(yōu)化算法(pso)訓(xùn)練神經(jīng)網(wǎng)絡(luò)用于配電網(wǎng)線損計(jì)算的方法。該方法使用由pso訓(xùn)練的bp模型來(lái)擬合影響線損的特征參數(shù)與線損之間的復(fù)雜關(guān)系。實(shí)例計(jì)算表明,與bp算法及bp與ga結(jié)合算法比較,該方法在提高誤差精度的同時(shí)可以加快訓(xùn)練收斂的速度。

針對(duì)工業(yè)控制系統(tǒng)入侵檢測(cè)模型對(duì)各類攻擊的檢測(cè)率和檢測(cè)效率不高的問題,提出一種adaboost算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型.首先利用主成分分析法對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理,消除其相關(guān)性；其次利用adaboost算法對(duì)訓(xùn)練樣本的權(quán)重進(jìn)行不斷調(diào)整,從而獲得bp神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)重和閾值；最后再通過adaboost算法將bp弱分類器組合成bp強(qiáng)分類器,從而實(shí)現(xiàn)工業(yè)控制系統(tǒng)的異常檢測(cè).實(shí)驗(yàn)結(jié)果表明該方法在對(duì)各攻擊類型的檢測(cè)率和測(cè)試時(shí)間明顯優(yōu)于其他算法模型.

針對(duì)傳統(tǒng)方法單獨(dú)采用bp神經(jīng)網(wǎng)絡(luò)算法易陷入局部極值的問題,提出了遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò),并將其應(yīng)用于mimo-ofdm系統(tǒng)信號(hào)檢測(cè)中。該方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合,用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始值,使bp網(wǎng)絡(luò)快速收斂到最優(yōu)解,避免了由初始值的隨機(jī)選取而帶來(lái)的檢測(cè)誤碼。仿真結(jié)果表明所提出的方法在誤碼率方面有比較好的性能。

采用一種基于粒子群優(yōu)化算法和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合算法應(yīng)用于電力電子整流電路的故障診斷。文中首先論述了粒子群優(yōu)化算法以及實(shí)現(xiàn)粒子群和神經(jīng)網(wǎng)絡(luò)的混合算法的操作步驟,然后將這種診斷方法應(yīng)用于電力電子整流電路的故障診斷。仿真診斷結(jié)果表明,這種混合診斷方法可用于電力電子三相整流電路的故障診斷。它具有較快的收斂速度和較高的診斷精度,它具有工程的應(yīng)用價(jià)值。

隨著云計(jì)算的發(fā)展和應(yīng)用范圍的不斷擴(kuò)大，云環(huán)境下的安全和隱私問題日益突出。傳統(tǒng)的入侵檢測(cè)系統(tǒng)已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足當(dāng)今海量數(shù)據(jù)的要求，建立云環(huán)境下高效的入侵檢測(cè)系統(tǒng)已經(jīng)成為入侵檢測(cè)領(lǐng)域的重要研究方向。基于云計(jì)算提供的超大規(guī)模的計(jì)算能力和海量存儲(chǔ)能力，提出了一種基于云環(huán)境的入侵檢測(cè)系統(tǒng)，系統(tǒng)能夠?qū)Ａ咳肭謾z測(cè)數(shù)據(jù)學(xué)習(xí)，實(shí)時(shí)檢測(cè)，在入侵檢測(cè)的效率和精度上比傳統(tǒng)的入侵檢測(cè)系統(tǒng)有所提高。

提出一種采用bp神經(jīng)網(wǎng)絡(luò)算法來(lái)預(yù)測(cè)深基坑沉降的方法,結(jié)合具體工程實(shí)例,構(gòu)建了預(yù)測(cè)深基坑周邊地表沉降具體bp神經(jīng)網(wǎng)絡(luò)模型,預(yù)測(cè)結(jié)果表明,該模型有較高的預(yù)測(cè)精度,可作為預(yù)測(cè)沉降的一種新方法。

針對(duì)離散變量的渡槽結(jié)構(gòu)優(yōu)化設(shè)計(jì)問題,建立粒子適應(yīng)度、種群規(guī)模與搜索空間維度的慣性因子自適應(yīng)函數(shù),通過適應(yīng)度方差判斷種群是否早熟,采用混沌擾動(dòng)避免種群早熟以及采用動(dòng)態(tài)罰函數(shù)等技術(shù)對(duì)基本粒子群算法進(jìn)行了改進(jìn)。實(shí)例應(yīng)用表明,改進(jìn)的pso算法全局收斂能力強(qiáng)、精度高,在渡槽結(jié)構(gòu)優(yōu)化設(shè)計(jì)中具有較好的通用性。

及時(shí)監(jiān)測(cè)土壤的污染程度,可以使我們預(yù)知土壤的各種狀況,有利于我們調(diào)整對(duì)土壤的使用策略,同時(shí)也便于我們及時(shí)治理污染。本文采用粒子群和bp混合算法優(yōu)化神經(jīng)網(wǎng)絡(luò),將其用于土壤污染程度的預(yù)測(cè),得到了滿意的結(jié)果,實(shí)現(xiàn)了對(duì)土壤污染程度的預(yù)測(cè),可以對(duì)企業(yè)和個(gè)人提供快捷和科學(xué)的信息。

船舶電力系統(tǒng)網(wǎng)絡(luò)重構(gòu)本質(zhì)上是帶約束的多目標(biāo)組合優(yōu)化問題。針對(duì)船舶電網(wǎng)重構(gòu)問題的特點(diǎn),建立了船舶電力網(wǎng)絡(luò)的無(wú)向圖模型;在此基礎(chǔ)上,進(jìn)一步建立了以負(fù)荷恢復(fù)量、開關(guān)操作次數(shù)和發(fā)電機(jī)效率均衡性為優(yōu)化目標(biāo)的船舶電力系統(tǒng)多目標(biāo)重構(gòu)模型;提出了一種結(jié)合\"背包策略\"和模擬退火算子的改進(jìn)粒子群算法進(jìn)行求解。其中\(zhòng)"背包策略\"可以明顯提高粒子群算法的搜索起點(diǎn)和加快收斂速度;模擬退火算子能夠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優(yōu)解的缺點(diǎn)。測(cè)試算例結(jié)果表明,利用所提方法能夠獲得更好、更完備的船舶電力系統(tǒng)重構(gòu)方案,算法具有較好的優(yōu)化性能。

針對(duì)高維、復(fù)雜的梯級(jí)水庫(kù)優(yōu)化調(diào)度在求解時(shí)易出現(xiàn)\"維數(shù)災(zāi)\"或陷入局部最優(yōu)解的問題,本文提出了基于免疫進(jìn)化算法的粒子群優(yōu)化算法,該算法充分利用了免疫進(jìn)化算法的全局搜索特性和粒子群算法的局部搜索能力,克服了粒子群尋優(yōu)中對(duì)初始種群的依賴和易陷入局部最優(yōu)的不足。通過實(shí)例計(jì)算表明,應(yīng)用該算法求解梯級(jí)水庫(kù)優(yōu)化調(diào)度問題,結(jié)果可靠、合理,計(jì)算效率高,從而為求解高維,復(fù)雜的梯級(jí)水庫(kù)優(yōu)化調(diào)度提供了新的思路。

針對(duì)隧道工程施工網(wǎng)絡(luò)計(jì)劃執(zhí)行率低的現(xiàn)狀,將遺傳算法和神經(jīng)網(wǎng)絡(luò)技術(shù)聯(lián)合用于隧道施工網(wǎng)絡(luò)計(jì)劃的動(dòng)態(tài)優(yōu)化與決策。基于遺傳優(yōu)化和神經(jīng)網(wǎng)絡(luò)方案(模式庫(kù)、專家知識(shí)系統(tǒng))的優(yōu)化決策方法能使該技術(shù)在隧道施工的應(yīng)用更科學(xué)合理、準(zhǔn)確可靠和方便快捷。該技術(shù)不僅能解決施工網(wǎng)絡(luò)計(jì)劃的執(zhí)行率低的現(xiàn)狀,而且為信息化和智能化的隧道施工提供了有力的技術(shù)保障,具有廣泛的應(yīng)用前景。

為了有效解決網(wǎng)絡(luò)系統(tǒng)可能出現(xiàn)的故障,結(jié)合模糊神經(jīng)網(wǎng)絡(luò)提出了一種新的故障檢測(cè)算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).該算法根據(jù)特征信息熵建立了故障檢測(cè)評(píng)價(jià)方法和最小偏差的優(yōu)化模型,設(shè)計(jì)了模糊神經(jīng)網(wǎng)絡(luò)中輸入層、模糊化層、模糊規(guī)則層和解模糊層,并且給出了具體的算法流程.通過建立網(wǎng)絡(luò)仿真平臺(tái),深入分析了影響fdd-fnn算法的關(guān)鍵因素,同時(shí)對(duì)比研究了fdd-fnn算法與其他算法的性能情況,結(jié)果表明fdd-fnn算法具有較好的適應(yīng)性.

本文利用bp神經(jīng)網(wǎng)絡(luò)將極限狀態(tài)方程顯式化和粒子群算法求解，并以大跨度鋼管混凝土拱橋?yàn)槔M(jìn)行可靠度分析。結(jié)果表明，在充分考慮幾何非線性效應(yīng)的條件下，該方法能夠很好地應(yīng)用于大跨度鋼管混凝土拱橋的可靠度分析，以彌補(bǔ)傳統(tǒng)方法的不足，并且滿足工程精度要求。

支持向量機(jī)以嚴(yán)格的數(shù)學(xué)理論為基礎(chǔ),具有簡(jiǎn)單的數(shù)學(xué)形式、直觀的幾何解釋和良好的泛化性能,其與核函數(shù)的結(jié)合使它成為解決分類、回歸、概率密度估計(jì)等實(shí)際問題的有力工具。但當(dāng)處理大規(guī)模的數(shù)據(jù)集時(shí),無(wú)論在時(shí)間和空間效率上都是無(wú)法滿足人們的需求。針對(duì)該問題,本文提出ασ-svm支持向量機(jī),通過對(duì)其訓(xùn)練樣本的縮減從而減少其訓(xùn)練時(shí)間。最后ασ-svm算法對(duì)kdd99cup入侵檢測(cè)數(shù)據(jù)做驗(yàn)證,并與常規(guī)的svm做對(duì)比,實(shí)驗(yàn)結(jié)果表明該方法不但能應(yīng)用到入侵檢測(cè)中,而且其訓(xùn)練的時(shí)間也明顯的減少。

盾構(gòu)掘進(jìn)優(yōu)化能夠提高施工的穩(wěn)定性,確保施工效率和施工質(zhì)量,因此,將改進(jìn)粒子群算法應(yīng)用于盾構(gòu)掘進(jìn)施工優(yōu)化中.文章分析了盾構(gòu)掘進(jìn)施工參數(shù)對(duì)施工質(zhì)量的影響,并設(shè)計(jì)了施工優(yōu)化的數(shù)學(xué)模型;研究了改進(jìn)粒子群算法,提出了慣性權(quán)重的調(diào)節(jié)算法和設(shè)計(jì)盾構(gòu)掘進(jìn)施工優(yōu)化的算法流程;最后進(jìn)行了盾構(gòu)掘進(jìn)施工優(yōu)化的仿真分析.結(jié)果表明:該算法能夠有效地控制盾構(gòu)掘進(jìn)施工的沉降量,從而確保了盾構(gòu)掘進(jìn)施工質(zhì)量.

為了實(shí)現(xiàn)樁身完整性的智能分類,并減少人為因素造成的誤判,文章建立適用于樁基完整性檢測(cè)的基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)模型,運(yùn)用matlab軟件對(duì)模型進(jìn)行模擬,并求出模型的可行性的解,從而實(shí)現(xiàn)對(duì)不同類型樁身的完整性智能辨別的功能,最后再通過測(cè)試樣本對(duì)模型的正確性進(jìn)行驗(yàn)證。測(cè)試樣本中的預(yù)測(cè)結(jié)果與理想結(jié)果非常接近,通過計(jì)算得出測(cè)試樣本的仿真誤差為0.1538,訓(xùn)練樣本的仿真誤差為0.092644。結(jié)果表明,基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)模型能過較好的對(duì)樁身完整性進(jìn)行分類,并且在減少樁型誤判的情況下,又提高了效率,在實(shí)際工程中具有良好的應(yīng)用前景。

目的將改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于鉆孔灌注樁樁孔質(zhì)量的智能化識(shí)別,從而減少人為的誤判、漏判情況.方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)模型有機(jī)地結(jié)合起來(lái),建立樁孔質(zhì)量檢測(cè)的智能化模型,先利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,再結(jié)合訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型對(duì)樁孔質(zhì)量進(jìn)行預(yù)測(cè),同時(shí)根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)建立三維分析圖,通過預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)來(lái)驗(yàn)證模型的準(zhǔn)確性.結(jié)果測(cè)試樣本的仿真誤差為0.00575,訓(xùn)練樣本的仿真誤差為0.0224;5、6號(hào)樁孔的預(yù)測(cè)結(jié)果為(0.0012,0.9999),(0.0027,0.0051),即5號(hào)樁質(zhì)量為合格,6號(hào)樁質(zhì)量為良好.結(jié)論通過預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)結(jié)果,可以得出基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型能夠較好地對(duì)孔灌注樁進(jìn)行智能判別.

目的將改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于鉆孔灌注樁樁孔質(zhì)量的智能化識(shí)別,從而減少人為的誤判、漏判情況.方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)模型有機(jī)地結(jié)合起來(lái),建立樁孔質(zhì)量檢測(cè)的智能化模型,先利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,再結(jié)合訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型對(duì)樁孔質(zhì)量進(jìn)行預(yù)測(cè),同時(shí)根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)建立三維分析圖,通過預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)來(lái)驗(yàn)證模型的準(zhǔn)確性.結(jié)果測(cè)試樣本的仿真誤差為0.00575,訓(xùn)練樣本的仿真誤差為0.0224;5、6號(hào)樁孔的預(yù)測(cè)結(jié)果為(0.0012,0.9999),(0.0027,0.0051),即5號(hào)樁質(zhì)量為合格,6號(hào)樁質(zhì)量為良好.結(jié)論通過預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)結(jié)果,可以得出基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型能夠較好地對(duì)孔灌注樁進(jìn)行智能判別.

為提高網(wǎng)絡(luò)入侵檢測(cè)的檢測(cè)效果,提出了一種基于改進(jìn)d-s證據(jù)理論的信息融合網(wǎng)絡(luò)入侵檢測(cè)方法。該方法首先采用支持向量機(jī)(supportvectormachine,svm)統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法分別對(duì)基于主機(jī)和基于網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行訓(xùn)練;然后針對(duì)d-s證據(jù)理論無(wú)法解決證據(jù)之間沖突問題,從合成規(guī)則著手,提出一種改進(jìn)的d-s證據(jù)理論;最后采用改進(jìn)的d-s證據(jù)理論對(duì)svm的訓(xùn)練結(jié)果進(jìn)行融合,兼顧了兩類檢測(cè)結(jié)果的優(yōu)勢(shì),提高了網(wǎng)絡(luò)入侵檢測(cè)的性能。仿真結(jié)果表明,與單一的入侵檢測(cè)策略相比,該方法能有效提高網(wǎng)絡(luò)入侵檢測(cè)的準(zhǔn)確率,降低漏報(bào)率,提高了網(wǎng)絡(luò)入侵檢測(cè)的整體性能。