一种基于属性抽取与整合的Petri网模型

将感觉神经检测机制融合于Petri网中,提出了一种新的基于属性抽取与整合的感觉神经检测Petri网模型,使得Petri网更加适合于对神经思维的描述,提高了系统的智能行为.

基于学习Petri网的网络入侵检测方法

基于神经网络的入侵检测方法存在学习速度慢,不易收敛,分类能力不足等缺点。采用学习Petri网(LPN)建立了对网络入侵的检测分类方法,该方法在非线性和不连续函数的实现上优于神经网络,实验结果表明:基于LPN的入侵分类相对于相同结构的神经网络具有更高的识别精度以及更快的学习速率。

一种新的Petri网模型

将感觉神经检测机制融合于 Petri网中 ,提出了一种新的基于属性抽取与整合的感觉神经检测 Petri网模型 ,使得 Petri网更加适合于对神经思维的描述 。

基于属性整合的知觉模式生成与识别模型

在［３］的基础上，本文给出了基于属性整合的模式生成与转化机制的数学表达，并对跨感觉模式识别中的特征辨识和模式匹配、补充和修正问题。