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
文献类型：期刊论文
| 作者 | 王振东; 刘尧迪; 杨书新; 王俊岭; 李大海 |
| 刊名 | 自动化学报
 |
| 出版日期 | 2022 |
| 卷号 | 48期号:12页码:3024-3041 |
| 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 |
| ISSN号 | 0254-4156 |
| DOI | 10.16383/j.aas.c190851 |
| 英文摘要 | 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. |
| 源URL | [http://ir.ia.ac.cn/handle/173211/56236]  |
| 专题 | 自动化研究所_学术期刊_自动化学报 |
| 推荐引用方式 GB/T 7714 | 王振东,刘尧迪,杨书新,等. 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,2022,48(12):3024-3041. |
| APA | 王振东,刘尧迪,杨书新,王俊岭,&李大海.(2022).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.自动化学报,48(12),3024-3041. |
| MLA | 王振东,et al."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".自动化学报 48.12(2022):3024-3041. |
入库方式： OAI收割
来源：自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。