AR-HELM算法在网络流量分类中的应用研究

针对传统分类算法建模速度慢、精确度低、分类效率不理想等问题,一种基于粗糙集属性约简的极限学习机网络流量分类方法成为利用机器学习研究网络流量分类的热门方法。由于结构限制,一些特殊的自然信号数据使用极限学习机进行特征学习一定程度上并不是很有效。因此,文章提出一种基于改进的粗糙集属性约简的多层极限学习机算法作为分类算法进行建模。实验结果显示,相较传统的神经网络和机器学习算法,文章算法可以很好地应用于网络流量分类且改善了极限学习机的学习表现。改进后的算法模型获得了更快、更优质的聚合结果。

AR-OSELM算法在网络入侵检测中的应用研究

文章针对增量网络入侵数据属性冗余导致的传统学习算法效率低、检测精度差等问题,提出一种基于粗糙集属性约简的在线序贯极限学习机(AR-OSELM)方法。该方法首先对入侵数据采用粗糙集正域和分辨矩阵的方法获得属性核,筛选出无冗余属性的特征集合,然后使用在线序贯极限学习机作为分类算法进行分类。仿真实验结果表明,与BP、ELM及HELM神经网络算法相比,AR-OSELM算法对增量数据的学习和训练效率更高,入侵检测准确,误报率较低。算法有较好的泛化能力,为网络入侵检测提供了一种新的方法。