典型文献
基于天牛群优化与改进正则化极限学习机的网络入侵检测
文献摘要：
正则化极限学习机(Regularized extreme learning machine,RELM)因其极易于实现、训练速度快等优点在诸多领域均取得了成功应用.对此,本文将RELM引入到入侵检测中,设计了天牛群优化算法(Beetle swarm optimization,BSO),并针对RELM由于随机初始化参数带来的潜在缺陷,提出基于天牛群优化与改进正则化极限学习机(BSO-IRELM)的网络入侵检测算法.使用LU分解求解RELM的输出权值矩阵,进一步缩短了 RELM的训练时间,同时利用BSO对RELM的权值和阈值进行联合优化.为避免BSO算法陷入局部最优,引入Tent映射反向学习、莱维飞行的群体学习与动态变异策略提升优化性能.实验结果表明,在机器学习UCI数据集上,相比于RELM、IRELM、GA-IRELM、PSO-IRELM等算法,BSO-IRELM的数据分类性能提升明显.最后,将BSO-IRELM应用于网络入侵检测数据集NSL-KDD,并与BP(Back propagation)、LR(Logistics regression)、RBF(Radial basis function)、AB(AdaBoost)、SVM(Support vector machine)、RELM、IRELM等算法进行了对比,结果证明BSO-IRELM算法在准确率、精确率、真正率和假正率等指标上均具有明显优势.
文献关键词：
入侵检测;正则化极限学习机;LU分解;天牛群优化算法
中图分类号：
作者姓名：
王振东;刘尧迪;杨书新;王俊岭;李大海
作者机构：
江西理工大学信息工程学院 赣州341000
文献出处：
引用格式：
[1]王振东;刘尧迪;杨书新;王俊岭;李大海-.基于天牛群优化与改进正则化极限学习机的网络入侵检测)[J].自动化学报,2022(12):3024-3041
A类：
IRELM
B类：
优化与改进,正则化极限学习机,网络入侵检测,Regularized,extreme,learning,machine,训练速度,成功应用,天牛群优化算法,Beetle,swarm,optimization,BSO,初始化,潜在缺陷,入侵检测算法,LU,分解求解,权值,训练时间,联合优化,局部最优,Tent,反向学习,莱维飞行,变异策略,策略提升,优化性能,UCI,GA,PSO,数据分类,分类性能,性能提升,检测数据集,NSL,KDD,Back,propagation,LR,Logistics,regression,RBF,Radial,basis,function,AB,AdaBoost,Support,vector,精确率
AB值：
0.327762
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
