基于机器学习的网络异常流量检测方法

研究一种基于机器学习的网络异常流量检测方法。使用改进型ANFIS算法作为建立的网络异常流量检测方法的核心算法。由于传统的神经网络算法使用的梯度下降算法在实际应用时,存在易陷入局部极小值,训练效率低下等问题,因此研究的改进型ANFIS算法使用附加动量算法修正模型参数,使系统能够越过误差曲面的局部最小值。最后使用KDD CUP99数据库以及LBNL实验室测试的数据对改进型ANFIS算法和BP神经网络算法的检测方法进行性能测试。结果表明,使用改进型ANFIS算法检测系统的训练效率以及检测准确率均优于使用BP神经网络算法建立的模型。     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题。首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算法,提升了电力异常数据检测效率;最后,通过实际电力数据对算法进行了测试,验证了所提算法的有效性。     

基于BP神经网络的高空气象数据挖掘方法研究

针对传统的高空气象数据挖掘方法中存在的数据挖掘深度问题,提出一种基于BP神经网络技术的高空气象数据挖掘方法。采用BP神经网络技术以及小波分析法对数据挖掘模型进行优化,引进协同多分类器算法进行更加精确的数据挖掘,避免数据产生的干扰。提出的基于BP神经网络的高空气象数据挖掘方法提高了数据挖掘的深度,还对数据的特征提取起到了一定的辅助作用。为了验证该方法的有效性,设计了对比仿真试验,将所提方法与传统方法相比较得出,所提方法有效地解决了数据干扰问题,提高了数据挖掘程度。     

基于数据挖掘技术的网络入侵检测技术研究

在此对基于数据挖掘技术的网络入侵检测技术进行研究。考虑到常规BP神经网络建立的网络入侵检测技术存在由于BP神经网络容易陷入最小值导致检测效率和准确率低下等问题,使用粒子群算法对BP神经网络模型进行优化,使用动态惯性权重系数以确定BP神经网络的参数,并将网络入侵流量特征与BP神经网络的参数组合并编码成一个粒子以实现网络入侵流量特征与BP神经网络的参数的同步选取。通过使用KDD CUP99数据库的入侵流量数据对使用该方法以及常规BP神经网络建立的检测模型进行训练和测试,结果表明,研究算法建立的检测模型具有更高的检测效率以及检测准确率。     

网络通信中的异常数据检测技术研究

信息化时代的到来使我国的现代化建设又迈向了一个新台阶。网络通信中的异常数据又引起了众多网络安全问题,严重影响了社会的安全和经济的发展。针对上述背景,对网络通信中的异常数据检测技术进行研究,主要从基于SNMP的数据异常检测技术,BP神经网络阈值检测技术,AR模型流量异常检测技术,关联挖掘异常检测技术四个方面进行研究,以解决网络通信中的数据异常问题。     

基于GA改进BP神经网络网络异常检测方法

考虑到常规BP神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型GA优化BP神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用KDD CUP99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对BP神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择BP神经网络结构参数带来的问题,避免了常规BP神经网络容易陷入局部最优解的问题。     

融合遗传算法与BP神经网络的气象威胁度建模与评估

针对无人飞行器航迹规划中的气象威胁要素模糊性强、复杂多变等特点,提出一种融合遗传算法与BP神经网络的气象威胁度评估方法。利用遗传算法的全局寻优能力优化BP神经网络的初始参数及结构,结合GA-BP神经网络对气象威胁度进行建模与评估。通过Matlab仿真验证,结果表明该方法能够准确评估气象威胁度,与BP神经网络相比,具有更快的收敛速度、更好的全局收敛性,提高了评估效率与准确度。     

基于循环神经网络的异常用电数据检测方法

针对用电数据检测时受电量敏感度的影响，导致异常数据检测时电能消耗过量的问题，提出了基于循环神经网络的异常用电数据检测方法。在循环神经网络体系中，根据窃电系数指标求解结果，计算电量压差的实际数值，实现对异常用电数据特征的提取。构建异常数据样本集合，通过填充缺失数据的处理方式，推断检测评价指标所属区间范围，完成基于循环神经网络的异常用电数据检测方法的设计。对比实验结果：循环神经网络作用下，由异常用电数据造成的电能消耗量最高为3.2×10⁸kW·h，不会引发明显的电能过量消耗问题，符合维护电网运行稳定性的实际应用需求。     

基于相似数据的人工神经网络短期风速预测模型

提出基于相似数据并结合小波分析的数据预处理模型,并运用基于反向传播(BP)神经网络风速预测模型预测风速。该方法从大量的历史数据样本中提取相似数据创建训练样本,采用小波分解将风速信号分解成低频趋势信号和高频随机信号,采用BP神经网络建模,合成得到风速预测数据。通过某风电场的实际风速数据验证结果表明,相似数据有效地提高了数据的相关度,小波分解使BP神经网络模型更好地拟合风速信号的低频和高频特性,提高了预测精度。     

基于聚类分析提取特征的光通信系统异常数据检测

光通信系统易受多种因素影响,传统方法的光通信系统异常数据检测错误率高,检测效率,为了获得理想的光通信系统异常数据检测结果,设计了基于聚类分析提取特征的光通信系统异常数据检测方法。首先设计光通信系统数据传输模型,采用聚类算法提取光通信系统异常数据特征,然后采用深度学习算法建立光通信系统异常数据检测模型,并采用遗传算法优化深度学习算法,最后进行了光通信系统异常数据检测仿真实验,结果表明：本方法的光通信系统异常数据检测正确率超过98%,光通信系统异常数据检测时间为21.6 ms,具有一定的实际应用价值。     

基于深度神经网络的电能计量异常筛选方法

文章设计了一种基于深度神经网络的电能计量异常筛选方法,其通过拉格朗日插值方法对电能计量数据实施丢帧处理,分别筛选出电量异常的特征数据、用电异常的特征数据以及接线异常的特征数据,将遗传算法与深度神经网络中的BP神经网络相结合,构建电能计量异常筛选模型,实现电能计量异常筛选。测试结果表明,该方法筛选中的分类精度较高,最高可达98.52%;在实验数据中加入畸变数据后,该方法的电能计量异常筛选误差仍较低。     

基于神经网络的异常检测

本文针对流量异常,提出了一种使用神经网络的检测方法。在仔细分析网络流量异常的基础上,提取流量特征数据,经预处理后供优化的BP神经网络分析,可准确检测出流量异常。测试结果表明,该模型对流量异常的检测有较高的准确性。     

强制通风温度传感器辐射误差修正与网站设计

为降低太阳辐射误差,提高测温精准度,设计一款用于地面气象观测的强制通风温度传感器防辐射罩。以太阳辐射强度、风速、下垫面反射率作为影响参数,利用计算流体动力学(CFD)方法计算出不同环境因素下的辐射误差。借助BP神经网络算法拟合仿真结果,得到辐射误差值修正方程。分析训练输出与样本输出,两者的绝对误差仅在[-0.002 5,0.002 5],可见BP神经网络的预测精度达到理想范围。最后设计一个基于B/S结构的查询网站,用户可通过该网站付费下载修正前后的历史温度数据以及历史温度曲线。     

基于BP-MC模型的大型机电设备备件需求预测研究

针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的BP神经网络预测模型．以提高模型的预测精度。通过对训练样本的学习,利用BP神经网络实现了对备件需求时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于实际预测中,结果表明该模型优于BP神经网络单项预测模型,具有精度高、科学可靠的特点,为大型机电设备备件需求预测提供了新的途径。     

两种神经网络在入侵检测中的应用

由于入侵检测的数据都是海量高维数据,提出一种基于主成分分析(PCA)的特征提取方法,以提高入侵检测的处理效率。选用Kddcup’99网络连接数据集进行预处理和PCA特征提取后,分别通过BP神经网络和Kohonen神经网络进行训练和测试,分析检测率,误报率,训练时间和检测时间。实验结果表明,基于PCA的BP神经网络能减小入侵检测的运算量,提高入侵检测的识别效果。     

基于BP人工神经网络的GPS高程异常拟合方法研究

近几年来在GPS水准高程拟合方法的研究成果的基础上,对基于BP人工神经网络的GPS高程异常拟合方法进行了研究.利用实际工程数据,对BP网络模型和BP神经网络组合算法进行了试验研究,通过比较分析,给出了拟合模型的精度评价.     

小波去噪和神经网络在电力负荷预测中的应用研究

为了降低历史负荷数据噪声对负荷预测的影响,提高电力负荷的预测精度,提出了一种基于小波去噪和BP神经网络的电力负荷预测方法。首先,对所得电力负荷数据进行了小波变换去噪处理,有效去除了噪声,然后利用BP神经网络在非线性处理中的优异特性,对小波去噪后的电力负荷进行了BP神经网络建模训练及仿真。实验结果表明:相比于其他电力负荷模型,该方法可以有效提高电力负荷的预测精度,是一种有效的电力负荷预测方法。     

测量船异常数据辨识与误差抑制

为解决蕴含有复杂变形、船摇周期影响的测量船异常数据检测难题,提出了基于小波分析的异常数据的动态识别与修正方法。基于小波分析的多尺度、局部分析等特性,采用具有紧支撑特性的小波去噪方法,根据数据自适应选取阈值,对噪声进行抑制凸显异常,在实现噪声抑制的同时,较好地保留了局部异常特征,显著提高了异常数据的检出率。测试结果表明,该方法切实可行,效果良好。     

基于BP神经网络的钻井复杂情况和事故诊断

根据钻井过程中复杂情况和事故发生及处理的特点,基于人工智能BP神经网络算法,构建了BP神经网络的钻井复杂情况与事故诊断模型,对复杂情况与事故的预测更加合理,精度更高。分析了钻井事故状态下工程参数的变化,采用不确定理论建立了基于可信度因子CF的训练样本构建模型。对BP神经网络算法进行了修正,改进了网络适应度及运算精度。实例证明,基于BP神经网络的诊断模型,能够实现钻井复杂情况与事故快速可靠诊断。     

基于神经网络的数据融合方法

作为一种新的方法体系,人工神经网络具有分布并行处理、非线性映射、自适应学习、较强的鲁棒性和容错等特性,这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。本文对BP神经网络模设计、建立及训练进行了深入的讨论,研究了基于BP神经网络的数据融合的优缺点。