ARTNIDS:基于自适应谐振理论的网络入侵检测系统

分析了现有的入侵检测方法,设计了基于自适应谐振理论的网络入侵检测系统(ARTNIDS).它采用了一种全新的行为表示方法,即根据网络数据包结构定义网络行为特征变量;利用改进的自适应谐振理论算法,提高了学习效率,使丢包率由15%左右降低到10%以下,实现了无监督和在线实时学习;提出的类似Hamming距离的检测算法,使误报率低于10%.依上述方法构造的原型系统经实验证明能高效地检测出局域网内的入侵行为.

基于域理论的自适应谐振神经网络分类器

提出了一种基于域理论的自适应谐振神经网络模型 FTART2 ( field theory based adaptive resonancetheory 2 ) .该模型结合了自适应谐振理论和域理论的优点 ,学习速度快 ,归纳能力强 ,效率高 ,可以根据输入样本自适应地调整拓扑结构 ,克服了前馈型网络需要人为设置隐层神经元的缺点 .基准测试表明 ,FTART2在学习精度和速度上都远远优于标准

自适应谐振理论综述

1.引言神经网络的竞争学习模型在70年代早期由Malsburg和Grossberg提出,此后得到了很大的发展。这种学习是指网络中的某一组神经元相互竞争对外界刺激模式响应的权力,竞争获胜的神经元的连接权发生某种变化,使得它在下一次对该刺激模式进行竞争时更为有利。一般来说,由竞争学习模型学习得到的分类很难保持稳定,即使连续地为网络提供有限个保持不变的模式序列,某一个特定的获胜分类仍然可能不断地发生变化。为了稳定学习过程。

基于域理论的自适应谐振神经网络研究

在自适应谐振理论和域理论的基础上提出了一种基于域理论的自适应谐振神经网络算法FTART .该算法将自适应谐振理论和域理论的优点有机结合 ,采用了独特的解决样本间冲突和动态扩大分类区域的方法 ,不需人为设置隐层神经元 ,学习速度快 ,精度高 此外 ,还提出了一种从FTART网络中抽取符号规则的方法 ,即基于统计的产生 -测试法 ,实验结果表明 ,使用该方法抽取出的符号规则可理解性好、预测精度高 。

基于自适应谐振理论的武器目标分配快速决策算法

针对武器目标分配(WTA)的求解实时性问题,建立基于火力集合划分的WTA数学模型,并提出一种基于模糊自适应谐振理论的邻域搜索(FART-NS)快速决策算法。利用模糊自适应谐振理论的快速泛化能力提高算法实时性,引入虚拟节点提升邻域搜索算法在WTA解空间的寻优能力,形成快速泛化-邻域优化-在线学习的闭环机制,使FART-NS算法对训练集精度和采样密度具有较强的鲁棒性。仿真结果表明,该算法在时间复杂度上优于BBA、改进GA等主流算法,能较好平衡WTA问题的求解实时性和收敛性。

基于域理论的自适应谐振神经网络研究

提出了一种基于域理论的自适应谐振神经网络算法 FTART,有机结合了自适应谐振理论和域理论的优势 ,以一种独特的方式解决了示例间冲突和分类区域的动态扩展 ,不仅不需要手工设置隐层神经元 ,可以还获得了较快的训练速度和较高的预测精度 .同时还提出了一种可以从训练好的 FTART网络中抽取可理解性好、精度高的符号规则的方法 ,即基于统计的产生测试法 .实验结果表明 。

基于自适应谐振理论的特征频率提取与融合

借鉴自适应谐振理论的一些处理思想,提出了一种特征频率提取、融合和增强算法。通过对频谱向量进行多次归一化处理,并插入非线性阈值函数来抑制小幅度噪声频率,同时用适当的正反馈使特征频率进一步增强,且不同频谱之间的融合也被嵌入到其中,形成一种闭环迭代运算。对空调电机3种振动噪声频谱的处理结果表明,该算法有效抑制了原始频谱中的随机干扰频率,对频谱中有用的成分进行了较大幅度的增强。对于每一种振动噪声,该算法都从多个频谱中准确地获取了一个清晰可靠的特征频谱,效果优于平均谱。

基于自适应谐振理论的Web文档聚类集成方法

提出了基于自适应谐振理论的Web文档聚类集成方法.该方法先用蚁群算法对Web文档进行聚类,再用ART神经网络对聚类结果集成.实验结果表明,集成后的聚类综合质量高于集成前的聚类综合质量.

基于自适应共振理论(ART)网络的机床设备实例的分类

阐述了自适应共振理论 (ART)网络的原理及训练算法。利用ART网络良好的自组织 ,自学习 ,可塑性强的特点 ,提出基于神经网络的机床设备实例分类的策略。该方法求解简单快速 ,容易实现 ,效率高 。

大规模数据聚类中模糊自适应谐振理论的研究与应用

大规模社交媒体数据的复杂性要求将聚类技术扩展到大规模数据,使其能够在很少的经验设置下自动识别数据聚簇。文章研究和讨论了模糊自适应谐振理论(Fuzzy Adaptive Resonance Theory)算法,其具有线性计算复杂性,仅使用一个单一参数,且对参数设置具有鲁棒性,可以产生更好的聚类结果。真实数据集上的实验结果表明,该算法在大规模数据聚类中取得了可比较的性能和更快的速度,而且也不需要预先定义聚簇个数。

拓扑自适应谐振理论在数据聚类中的应用

将自适应谐振理论(Adaptive Resonance Theory)与拓扑学习神经网络相结合,研究了一种新的无监督神经网络用于非平稳数据稳定在线聚类。并引入自组织增量神经网络(Self-Organising Incremental Neural Network),同时学习两种反映不同层次细节的表现方法。此网络即对噪声低敏感,又适合于解决实际问题的应用。

基于模糊自适应谐振理论的彩色目标跟踪系统

提出了一种在变光照条件下进行彩色图像分割和目标跟踪的方法 .通过在色度、饱和度、亮度HSI(hue ,satura tion ,illumination)空间自组织非监督地进行颜色聚类 ,使用增加、削减和融合聚类的方法 ,寻找适当的聚类数量 ,使目标跟踪更加精确 .该方法基于模糊自适应谐振理论 (fuzzyadaptiveresonancetheory ,FuzzyART) ,具有在线升级目标颜色模型的能力 ,可以克服环境光线变化所带来的影响 .在复杂背景和变光照条件下的目标跟踪实验结果证实了该方法的有效性 .

基于自适应谐振理论的油气圈闭聚类评价

为了在圈闭的控制因素与油气藏之间建立一种有效的模型,使得能够可靠的评价油气圈闭,从而有效的拟定预探井井位,本文提出了基于自适应谐振理论的油气圈闭聚类评价方法,并在油气圈闭研究区进行了圈闭分类评价试验。结果表明:该方法能有效的对油气圈闭的含油气性进行分类评价,在解决油气圈闭评价方面具有智能性,高效性,准确性,客观性。

基于自谐振神经网络的线路故障自适应选相元件

提出一种新的基于自谐振神经网络结构的自适应故障选相元件。采用故障分量作为网络输入量。由于故障分量能够很好地反映故障特征,而自谐振神经网络结构具有训练快速、不存在局部极小值点以及网络权值稳定等特点,因此自适应选相元件不受线路运行方式变化的影响。大量EMTP仿真和实际故障录波数据验证了其可靠性和正确性。

自适应激光谐振腔模型的建立

文章根据波动光学理论建立了自适应激光谐振腔模型。

基于自适应谐振网络的矢量量化研究

简介矢量量化技术,描述了码书设计和码字搜索的原理。分析了自适应谐振网络相对于一般竞争网络的优点,即自适应谐振网络克服了一般竞争网络的"稳定性/可塑性困境"问题。文章归纳了自适应谐振神经网络的一般结构和学习算法。提出了基于自适应谐振神经网络的码书设计算法,并确定了相关的网络参数。基于自适应谐振神经网络的码书设计比一般竞争网络具有更好的效果。

基于ARTNN的GIS绝缘故障识别新方法

为根据局部放电信号识别早期的GIS绝缘故障缺陷类型,提出了一种利用ART神经网络在线识别GIS绝缘故障类型的新方法。较之常用BP神经网络,该法训练时间短、所需样本少、权值稳定、不存在局部收敛,故更适于在线识别。网络的输入量为一个工频周期内局部放电脉冲重复率、主频率、阻尼系数、放电量、放电相位分布。利用5种GIS绝缘缺陷类型的实验所得数据对ART神经网络进行训练及验证,证明该法的缺陷类型正确识别率可>98%,在GIS绝缘故障类型的在线模式识别中具有广泛的前景。

一种新型自适应神经网络回归估计算法

结合自适应谐振理论和域理论的优点 ,针对回归估计问题的特性 ,提出了一种新型神经网络回归估计算法 FTART3.该算法学习速度快、归纳能力强 ,不仅具有增量学习能力 ,还克服了 BP类算法需要人为设置隐层神经元的缺陷 .直线、正弦、二维墨西哥草帽、三维墨西哥草帽等 4个实验表明 ,FTART3在函数近似效果和训练时间代价上都优于目前常用于回归估计问题的

一种改进的ART1算法及其在人像识别中的应用

本文通过对自适应共振理论（ＡＲＴ）及ＡＲＴ１ 的研究， 提出了一种改进的ＡＲＴ１ 算法． 这种算法不仅具有ＡＲＴ１ 算法的所有优点， 而且降低了ＡＲＴ１ 算法的识别识误差．

ART-2神经网络的研究与改进

ART-2神经网络可以很好地应用于模式识别中的聚类问题,但是由于其算法结构中固有的归一化环节,在处理数据过程中丢失了非常重要的幅度信息。在分析这一不足的基础上,提出两种改进算法,同时给出了相应的实验结果。