基于改进径向基函数前馈神经模型的计算机网络入侵检测技术

为防范局域网面临的DoS(denial of service)拒绝服务攻击、SQL(structured query language)代码注入攻击、恶意软件攻击、MIMT中间人攻击、DNS欺诈等入侵威胁,提出基于径向基函数(radial basis function)前馈神经网络算法,在输入层利用径向基神经元对被测入侵数据集作出异常样本特征检测、分类概率计算,基于竞争神经元作出同一类样本的概率加权累计,同时引入蚁群(ant colony optimization)算法对RBF深度神经网络算法的异常数据寻优能力作出优化。实验结果表明,基于改进ACO-RBF神经网络模型的入侵攻击检测方案,得到的异常数据包流量检测精度为98.04%、误报率为5.36%,相比LSTM神经网络算法有着更为良好的网络入侵检测效果。

基于前馈神经网络的改进交通流元胞传输模型

宏观交通流模型是交通估计、预测以及交通控制的基础。元胞传输模型(The Cell Transmission Model,CTM)已经被认为是一种能够实际应用到交通状态预测的建模方法。元胞之间交通流量的传输关系在交通状态预测精度方面起着重要的作用。但是,在实际的交通条件下,这种传输关系是一种非常复杂的非线性关系。原始的CTM交通流之间的简单函数关系在一定程度上与实际不符。为了提高CTM的精确度,本文提出了一种改进的元胞传输模型,在该模型中,使用前馈神经网络描述元胞之间交通流的非线性关系。准确地说,我们采用前馈神经网络利用交通感应线圈检测的历史数据训练参数,来改进模型的精度。然后,我们使用VISSIM构建京通快速路的一段快速路模型,使用该模型比较本文方法与原始方法的性能优劣。仿真结果表明,在预测交通流状态方面,本文提出模型的要比原始模型有更优的性能。

《神经网络BP改进算法及其性能分析》

目前神经网络模型已有40多种。BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输人一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。其结构包括输入层（input）、隐含层（hiddenlayer）和输出层（outputlayer）3类。