收藏本站
收藏 | 投稿 | 手机打开
二维码
手机客户端打开本文

结合随机森林的PSO-CNN入侵检测研究

谭敏生  杨帅创  丁琳  彭敏  
【摘要】:为了提高网络入侵检测的准确率、精确率,降低误报率,提出一种结合随机森林(Random-Forest, RF)的粒子群算法(Particle Swarm Optimization, PSO)优化卷积神经网络(Convolutional Neural Networks, CNN)结构及初始参数算法。该方法结合随机森林理论、PSO的全局寻优特点和CNN提取特征的局部相关性能力。在数据预处理阶段,通过随机森林进行数据特征提取,并作为模型的输入数据。采用粒子群算法优化CNN网络结构,使CNN在非经验指导下自主选择最佳网络结构和初始参数。实验结果表明,该方法在准确率、精确率、误报率方面均优于经典卷积神经网络、粒子群优化反向传播(BP)算法、粒子群优化支持向量机(SVM)算法及目前流行的集成学习方法。

知网文化
【相似文献】
中国期刊全文数据库 前2条
1 桂方燚;武文星;任维康;;基于PSO-CNN神经网络的车牌识别系统[J];华北科技学院学报;2021年05期
2 刘兰军;翟永庆;郑俊俊;范萍萍;邓莉;;基于PSO-CNN的土壤氮含量可见/近红外光谱建模[J];光学技术;2021年04期
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978