基于混合神经网络模型的低速率网络入侵检测研究

针对低速率入侵,常规的入侵检测方法能力不足,虚警率、漏警率偏高。为保证网络安全,提出一种基于混合神经网络模型的低速率网络入侵检测方法。利用NetFlow技术采集网络流量数据,对网络流量数据进行过滤和图像化处理。搭建由卷积神经网络和人工神经网络构成的混合神经网络模型,利用卷积神经网络提取网络流量数据的图像提取特征,利用人工神经网络检测网络入侵类型。结果表明:提出方法的虚警率、漏警率低于Transformer入侵检测方法、栈式自编码-长短期记忆(SAE-LSTM)检测方法和萤火虫优化(GSO)-基分类器检测方法,尤其在入侵速率更低(2 Mb/s)的情况下,所表现出的检测能力更为突出,说明针对低速率网络入侵问题,基于混合神经网络模型的检测方法的检测能力更强,检测结果更为准确。

基于混合神经网络模型的污水COD值预估法

提出了一种基于物理测量的COD值快速预估方法,它采用混合神经网络模型直接由UV分光光度计测得的吸光度数据预估出水样的COD值。实例分析表明,采用该混合模型具有比常规的BP网络和传统回归模型更好的预估精度,同时混合模型的预估值与标准分析值之间也有着良好的相关性。

混合神经网络模型用于煤焦气化过程的模拟

以煤焦气化反应模型为基础,结合BP神经网络参数估计器,建立了用于模拟煤焦气化过程的混合神经网络模型。结果表明该混合神经网络模型能很好地描述煤焦的气化过程,可以得到在实验过程中无法测得的2个参数,即:在煤焦中具有活性的碳与总碳的比值A和具有活性碳的单位质量反应速率Rr。

混合神经网络跟驰模型的建立

将混合神经网络模型(CNNM)应用于跟驰模型的建立。进行基于车载高精度GPS的跟驰试验设计,并结合试验数据,介绍模型建立的原理和过程。分别建立基于BP神经网络和基于径向基神经网络的跟驰模型,并应用于混合神经网络跟驰模型的建立。模型通过实测数据对混合模型的信用值进行调整,从而组合得到较高的精确度。通过对预测效果的比较,可以发现混合神经网络跟驰模型可以取得比单一神经网络模型更好的预测效果。

基于混合神经网络(GANN)的沥青路面使用性能预测模型

针对GM模型要求的样本点少、不必有较好的分布规律,且计算量少、操作简便,而BP神经网络可以反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等特点,将GM(1,1)模型与BP神经网络模型相结合,建立了混合神经网络预测模型,并结合实例进行了检验性预测。结果表明:混合神经网络模型在预测精度方面优于传统灰色模型。该模型的算法概念明确、计算简便,有较高的拟合和预测精度,具有良好的应用前景。

基于神经网络及时间序列混合模型的桥梁健康监测系统缺失数据填补

列举了实际桥梁健康监测系统中数据缺失的几种形式,根据桥梁健康监测系统中监测数据是时间序列集的特点,以及神经网络强大的映射能力,利用神经网络及时间序列混合模型的方法来填补缺失数据,并将该方法与时间序列法的填补结果进行对比,结果表明该方法处理缺失数据的误差较低。

发酵过程混合神经网络建模方法比较

对发酵过程中串联结构、并联结构、串并联结构混合神经网络模型的结构和训练方法进行了分析、对比研究 ,并提出了一种训练方式更简单的混合神经网络模型 仿真结果表明 ,混合神经网络模型比标准的神经网络模型建模精度高。

基于改进粒子群算法的LSTM混合神经网络期权定价模型

引入改进粒子群算法(IPSO)对长短时记忆神经网络模型(LSTM)超参数进行自适应匹配,并结合Heston模型进行混合建模,提出一种全新的IPSO-LSTM-Heston期权定价模型。为验证模型的定价效果,基于上证50ETF期权高频数据进行实证分析。结果表明:IPSO算法具有优异的全局寻优能力和收敛速度,能够大幅提高LSTM混合神经网络模型的定价效率。通过将优化的LSTM神经网络模型与Heston模型结合,不仅可以捕捉高频数据的动态特征,而且能够发挥神经网络模型的非线性拟合能力与传统模型定价过程的严密性等优点,在降低定价误差的同时显著提高定价精准度。

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。

一种高精度LSTM-FC大气污染物浓度预测模型

大气污染已经严重影响到人们的生活和健康,大气治理势在必行,探究大气污染物浓度变化的规律,实现污染物浓度预测,对指导大气治理工作具有重要意义。文中构建了一种基于长短期记忆神经网络(Long Short-Term Memory,LSTM)和全连接神经网络(Full Connected,FC)的混合神经网络模型,并提出了数据桶划分的训练方式来解决由于训练数据与预测数据存在较长时间间隔导致精度下降的问题,进而实现大气污染物浓度的预测。该模型具有较好的通用性和精度,充分结合了长短期记忆神经网络和全连接神经网络的优点,能够在多种污染物数据上实现精确预测。以天津市2013-2019年大气污染物数据实现模型的训练和预测,结果表明,混合神经网络模型在PM_(2.5),PM_(10),NO_(2),SO_(2),O_(3),CO 6种污染物浓度的预测上均可以达到R2>0.90,平均百分误差小于15%的效果,LSTM-FC模型在大气污染物预测中具有明显的优势,具有较高的实用价值。

基于GM(1,1)和BP网络的港口吞吐量预测

分析了灰色和人工神经网络预测方法的互补性,在此基础上提出了将灰色与人工神经网络结合的灰色-神经网络混合模型.分别采用GM(1,1)模型、BP网络模型和灰色-神经网络混合模型对某港口货物吞吐量进行预测并用实测数据验证.结果表明,灰色-神经网络混合模型预测效果最佳.

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明:该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。

基于语谱图提取深度空间注意特征的语音情感识别算法

从语音情感特征的提取和分类建模出发,以混合卷积神经网络模型为基础,改进特征提取中的Itti模型,包括:增加通过局部二值模式提取的纹理特征;结合听觉敏感度权重提取情感强相关特征。然后提出通过特征约束条件提取标定权重特征的约束挤压和激励网络结构;最后形成以VGGnet和长短时记忆网络混合网络为基础的微调模型,进一步提升了情感表征能力。通过在自然情感数据库和柏林德语数据库上进行验证,该模型在情感识别率上有明显的上升,相较于基准模型提升了8.43%,同时对比了本模型在自然数据库(FAU-AEC)和柏林数据库(EMO-DB)上的识别效果,实验结果证明模型具有良好的泛化性。

基于音频峭度的煤矿旋转机械滚动轴承故障预测方法

滚动轴承作为煤矿旋转设备中至关重要的机械元件,对其早期故障进行快速有效的诊断与预测可保证矿山开采的稳定性。针对提升机等旋转设备滚动轴承,采用非接触式测量仪器采集轴承工作时的音频信号,通过预加重,分帧加窗及峭度计算提取声音信号的时域特征,并基于萤火虫算法优化的卷积-长短期记忆(CNN-LSTM)神经网络完成音频特征的输出预测。实验结果表明,设计的神经网络模型可对轴承音频的分帧峭度数据进行较为精确的预测拟合,在设定的峭度安全阈值下,该模型能实现滚动轴承早期故障的准确预知。

面向室内服务的中文语音指令深层信息解析系统

针对室内服务机器人的人机交互问题,对中文语音指令进行了深入研究,提出了一种基于概率/神经网络混合模型的深层信息解析系统。该系统由指令解析模块和深层信息提取模块组成,前者基于概率模型解析语音指令的有效信息,后者依据家庭环境神经网络模型,将有效信息中的服务对象或目标对象作为已知条件提取指令深层信息,旨在将指令所蕴含的深层信息显性化。构建了一般家庭条件下的实验环境进行了仿真实验,仿真数据验证了指令解析模块和深层信息提取模块的可行性;选取两类典型结构的中文语音指令,在该系统上进行深层信息解析实验,提取了准确的有效信息和深层信息。