典型文献
基于传统象群优化-粒子群优化-支持向量机的网络入侵检测
文献摘要：
为提高网络入侵检测的准确率,提出一种改进象群优化算法的支持向量机(support vector machines,SVM)入侵检测模型.针对传统象群优化算法(elephant herding optimization,EHO)在全局搜索上的劣势,提出采用粒子群优化算法(particle swarm optimization,PSO)对EHO进行优化的方法,以提高全局搜索能力;基于以上改进,对SVM模型参数进行寻优,并以寻优模型为基础,构建网络入侵检测模型;以KDD CUP99数据集为基础,对比改进的 PSO-EHO-SVM 模型与 EHO-SVM,PSO-SVM 和飞蛾扑火优化(moth-flame optimization,MFO)-SVM 在最优适应度计算、入侵检测分类准确率和算法稳定性方面的优劣.仿真结果表明:PSO-EHO-SVM迭代次数最少,分类准确率更高,且稳定性更强,证明改进后的SVM模型更具有优势.
文献关键词：
入侵检测;象群优化算法;分类模型
中图分类号：
作者姓名：
席钰;侯致武
作者机构：
延安大学西安创新学院数据科学与工程学院,陕西 西安 710100
文献出处：
引用格式：
[1]席钰;侯致武-.基于传统象群优化-粒子群优化-支持向量机的网络入侵检测)[J].天津理工大学学报,2022(06):58-64
A类：
herding
B类：
网络入侵检测,象群优化算法,support,vector,machines,入侵检测模型,elephant,optimization,EHO,全局搜索,粒子群优化算法,particle,swarm,PSO,搜索能力,寻优模型,建网,KDD,CUP99,集为,飞蛾扑火,moth,flame,MFO,适应度计算,检测分类,分类准确率,和算,迭代次数,分类模型
AB值：
0.349133
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。
