机器学习算法在网络入侵检测中的应用综述

在当今的计算机科学中,机器学习是最流行的算法之一,并被广泛运用于各个领域.尽管其具备诸多良好性能,但算法和相关的训练数据依然易受到各种各样的网络威胁.因此,对于网络威胁和相关的机器学习防御技术的深层次研究是极其重要的.如今,许多学者已经研究了包括朴素贝叶斯、决策树、支持向量机、k-邻近算法等在内的学习算法以应对网络威胁.本文中首先从训练阶段和测试阶段这两个方面论述现有网络威胁,其次综述总结了在面对新威胁时被动防御和主动防御等几种改进的机器学习算法,最后对网络威胁和机器学习防御技术在今后的发展趋势进行了展望.

基于线性CCD的稳定循线机器人设计

为解决现有循线机器人循线不稳定的问题,设计了一种能稳定循线的机器人.该循线机器人利用CCD传感器采集路况信息,利用舵机差速进行转弯,利用线性CCD与灰度传感器配合进行路径识别.在算法上采用了PID算法解决循线不稳定的问题,同时利用循环判断解决CCD容易误判的问题.结果表明:该循线机器人循线速度快,且能在有障碍物的情况下稳定循线.

基于R2指标和目标空间分解的高维多目标粒子群优化算法

基于R2指标和分解策略的多目标粒子群优化算法(R2-MOPSO)在求解2、3个目标优化问题时具有较好的收敛性和多样性,但在求解高维多目标优化问题时难度较大.对此,提出一种基于R2指标和目标空间分解的高维多目标粒子群优化算法(R2-MOPSO-II).首先借鉴R2指标和目标空间分解策略综合权衡选择过程的收敛性和多样性,设计双层档案维护策略;然后设计一种新的向导选择策略来连接目标空间和决策变量空间,进而提出一种基于双层档案的速度和位置更新策略以权衡粒子群优化算法的勘探和开采能力;最后通过引入高斯学习策略和精英学习策略防止粒子陷入局部最优前沿.数值仿真结果表明,所提出算法在求解DTLZ和WFG测试问题时具有较好的收敛性和多样性.