一种改进QPSO优化BP网络的入侵检测算法

为了较好克服量子粒子群算法存在早熟收敛的缺点,在分析算法参数和流程的基础上,提出了一种带变异操作的改进量子粒子群优化算法。针对传统BP算法易于陷入局部极小的不足,将改进的算法应用到BP神经网络的学习过程中,修正BP网络的权值和阈值,提高其收敛性能。并将优化的BP神经网络模型应用于入侵检测中,用标准入侵检测数据对基于不同算法的BP网络进行仿真实验比较。实验结果表明,改进后的BP算法迭代次数少,收敛速度有所提高,在一定程度上提高了入侵检测率。     

基于量子粒子群的BP网络用于入侵检测

针对遗传算法、粒子群算法等BP网络的学习算法对高维复杂问题仍易早熟收敛,且无法保证收敛到最优解。把量子粒子群算法应用于BP网络的学习中,并把改进BP网络用于入侵检测。通过KDD99CUP数据集分别对基于不同学习算法的BP网络进行了实验比较,结果表明:该算法的收敛速度较快,可在一定程度上提高入侵检测系统的准确率和降低的误报率。     

基于边界变异的量子粒子群优化算法

将边界变异操作引入到量子粒子群优化算法中,提出基于边界变异的量子粒子群优化算法QPSOB。该算法将越界粒子随机分布在边界附近的可行域内,以增加种群的多样性、提高算法的全局搜索能力。仿真实验证明其全局收敛性能优于量子粒子群优化算法。     

基于MCQPSO-SA优化的KFCM算法在入侵检测中的应用

同经典的FCM算法及其派生算法一样,KFCM算法对噪声及初始化中心敏感,容易陷入局部最优值。针对以上问题,本文提出一种改进的KFCM算法。通过引入多种群协同量子粒子群混合模拟退火算法(MCQPSO-SA)来优化KFCM算法,提高KFCM算法的搜索效率和全局搜索能力,使得算法较快地收敛到最优解。将改进算法用于构建入侵检测系统并通过模拟仿真实验表明,改进算法具有更好的检测性能,解决了传统的聚类算法在入侵检测中稳定性差、检测准确率低的问题。     

基于QPSO的BP神经网络油田节能指标预测

针对BP神经网络易陷入局部极小问题以及收敛速度慢的问题, 引入量子粒子群优化算法和BP神经网络相结合的方法, 共享BP神经网络强大的灵活性和量子粒子群全局搜索能力强的优势, 通过改进QPSO的平均最优位置的计算方法, 实现基于BP神经网络和量子粒子群的油田节能指标预测. 以大庆某采油厂注水泵机组单耗数据为训练数据, 预测结果表明该方法能达到良好的预测效果, 具有可行性.     

用带变异因子的QPSO算法解决Job-Shop调度问题

由于量子粒子群优化算法仍有可能会出现早熟现象,因此将变异机制引入量子粒子群优化算法以使算法跳出局部最优并增强其全局搜索能力,并将改进后的量子粒子群优化算法用于求解作业车间调度问题。仿真实例表明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法、粒子群优化算法和量子粒子群优化算法。     

基于PCA的PSO-BP入侵检测研究

为了提高入侵检测系统的检测率和降低误报率,提出变惯性因子粒子群算法优化BP神经网络的权值和阈值方法,融合BP局部搜索和PSO的全局寻优能力。通过反复训练学习,当训练误差达到精度范围内,用优化过的BP网络进行仿真实验。在数据预处理中,提出采用主成分分析方法进行特征提取,减少学习过程时间和加速收敛。通过实验分析和比较,该算法提高了入侵检测的正确率和泛化能力,降低了误报率和漏报率,加快了收敛速度,迭代次数少。     

基于MPSO的BP网络及其在入侵检测中的应用

提出一种基于变异粒子群优化(MPSO)的BP网络学习算法,该算法用PSO算法替代了传统BP算法,且在学习过程中,引入变异操作,克服传统BP算法易陷入局部极小和PSO算法早熟的不足。并把该算法应用于入侵检测中,通过KDD99 CUP数据集分别对基于不同算法的BP神经网络进行了仿真实验比较,结果表明,该算法的收敛速度快,迭代次数较少,而且测试平均准确率高达96.5%。     

基于PSO-BP神经网络的入侵检测技术优化算法的研究

针对基于BP神经网络的IDS技术收敛速度较慢,易陷入局部最优值、网络瘫痪,系统稳定性差等问题,本文提出了基于PSO-BP神经网络的入侵检测技术优化算法。利用粒子群优化算法优化BP网络的权重,首先利用PSO算法优化得到一个最优初始值,然后通过BP网络算法修正误差值,从而获得最优值。     

改进量子粒子群算法优化神经网络的数据库重复记录检测

为了提高数据库重复记录检测效果,提出一种改进量子粒子群优化算法(IQPSO)优化BP神经网络的数据库相似重复记录检测模型(IQPSO-BPNN)。首先计算记录字段间的相似度,组成特征向量;然后采用IQPSO算法优化BP神经网络进行学习,建立最优相似重复记录检测模型,最后通过仿真实验对IPSO-BPNN的性能进行测试。实验结果表明,IQPSO-BPNN大幅度减少了数据库重复记录检测时间,提高了数据库重复记录检测精度。     

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。     

混合量子粒子群算法求解车辆路径问题

量子粒子群算法在求解车辆路径问题时一定程度上解决了基本粒子群算法收敛速度不够快的缺点,但是量子粒子群算法仍然存在容易陷入局部最优的缺点。利用混合量子粒子群算法对车辆路径问题进行求解,运用量子粒子群算法对初始粒子群的粒子进行更新,对粒子进行交叉操作,可以提高算法的全局搜索能力,进行变异操作,可以改善算法的局部搜索能力。以Matlab为工具进行仿真实验,实验结果表明改进后的算法在求解车辆路径问题时具有良好的性能,可以避免陷入局部最优,对比量子粒子群算法和遗传算法具有一定的优势。     

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。     

免疫Agent和量子粒子群优化的入侵检测方法研究

针对传统入侵检测系统检测速度慢和误检率高的问题,将免疫原理、移动Agent技术和量子粒子群优化算法相结合,提出了基于免疫Agent和粒子群优化算法的入侵检测模型。介绍了系统模型与体系结构,并对系统性能进行仿真实验。实验结果对比表明,系统能提高传统入侵检测系统的检测速度和降低误检率。     

基于IPSO的模糊神经网络优化及交通流量预测

在基于模糊神经网络的交通流量预测中,神经网络的各节点参数优化是最关键的。采用粒子群算法优化模糊神经网络的参数。针对粒子群算法易于陷入局部最优的缺点,提出一种改进的粒子群优化算法,并将改进的算法用于路口交通流量预测。仿真结果表明,该算法的收敛速度和预测精度优于传统粒子群算法、BP算法,提高了交通流量预测的精度和速度。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于二进制量子微粒群算法的二维熵图像分割

分析量子计算的特点,对量子旋转门进行研究,给出了新的量子旋转门调整策略,并与离散二进制粒子群优化算法进行组合,提出了二进制量子粒子群优化算法。该算法具有收敛速度快、全局寻优能力强的特点。用典型复杂函数对其进行测试,测试结果表明,算法的优化质量和效率都优于离散二进制粒子群优化算法。将二进制量子粒子群优化算法与阈值法相结合应用于图像分割,结果表明了基于二进制量子粒子群优化算法的二维熵图像分割法用于阈值寻优具有更快的收敛速度和更好的全局寻优能力。     

基于IQPSO-IDE算法的网络入侵检测方法

为了提高网络入侵检测的准确性与检测效率,弥补由单一优化算法带来的计算精度低、易陷入局部极值等不足,将差分算法的思想引入量子粒子群算法中,提出了一种改进量子粒子群算法（Improved Quantum Particle Swarm Optimization algorithm,IQPSO）和改进差分算法（Improved Difference Evolution,IDE）相融合的IQPSO-IDE算法,并将IQPSO-IDE算法对支持向量机（Support Vector Machine,SVM）的参数进行优化。以此为基础,设计了一种基于IQPSO-IDE算法的网络入侵检测方法。实验结果表明,IQPSO-IDE算法与传统的QPSO、GA-DE、QPSO-DE算法相比,不仅在效率上有了明显的改善,而且在网络入侵检测的正确率上分别提高了5.12%、3.05%、2.26%,在误报率上分别降低了3.31%、1.54%、0.93%,在漏报率上分别降低了1.26%、0.73%、0.52%。     

小波神经网络模型的改进方法

为了改善小波神经网络(WNN)在处理复杂非线性问题的性能,针对量子粒子群优化(QPSO)算法易早熟、后期多样性差、搜索精度不高的缺点,提出一种同时引入加权系数、引入Cauchy随机数、改进收缩扩张系数和引入自然选择的改进量子粒子群优化算法,将其代替梯度下降法,训练小波基系数和网络权值,再将优化后的参数组合输入小波神经网络,以实现算法的耦合。通过对3个UCI标准数据集的仿真实验表明,与WNN、PSO-WNN、QPSO-WNN算法相比,改进的量子粒子群小波神经网络(MQPSO-WNN)算法的运行时间减少了11%~43%,而计算相对误差较之降低了8%~57%。因此,改进的量子粒子群小波神经网络模型能够更迅速、更精确地逼近最优值。     

基于量子粒子群神经网络的太阳黑子数预测磁

为了提高太阳黑子数的预测精度,论文提出了一种基于量子粒子群神经网络预测太阳黑子数的模型（QPSO-BP 网络）。首先基于前18个太阳周（1755～1953）的年均值,利用量子粒子群算法优化 BP 神经网络的权值和阀值,完成网络训练训;然后对第19太阳周（1954～2013）年均值进行预测,检验模型的预测能力。与普通 BP 神经网络预测的对比结果表明,该模型在逼近能力和预测精度两方面均有明显提高,从而表明基于量子粒子群优化的训练方法对于提高神经网络预测能力具有一定潜力。