CN110020711A - 一种采用灰狼优化算法的大数据分析方法 - Google Patents
一种采用灰狼优化算法的大数据分析方法 Download PDFInfo
- Publication number
- CN110020711A CN110020711A CN201910225827.5A CN201910225827A CN110020711A CN 110020711 A CN110020711 A CN 110020711A CN 201910225827 A CN201910225827 A CN 201910225827A CN 110020711 A CN110020711 A CN 110020711A
- Authority
- CN
- China
- Prior art keywords
- wolf
- prey
- grey
- formula
- pack
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种采用灰狼优化算法的大数据分析方法，将所应用的大数据集每一条数据作为可行性解，每一头狼都代表一种解，单次迭代的α狼决定局部最优解。经过多次的迭代计算之后选中的α狼代表全局最优解。主要步骤设定灰狼算法的初始参数；随机产生初代狼群，并将初代狼群按适应度值进行划分，选出最佳的三匹狼作为α、β、δ狼，剩余的全部是ω狼；当达到最大的迭代次数后，输出的α狼代表的则是全局最优解。本发明有着更高的搜素全局最优解的性能，计算速度快。
Description
技术领域
本发明属于机器学习、数据挖掘，图像处理、分布式计算等多个技术领域，涉及一种大数据分析方法，具体涉及一种Spark分布式的灰狼优化算法的大数据分析方法。
背景技术
在互联网、金融、医学等一些领域，每天可以生成上亿条记录的数据集。随着信息技术的发展大量的信息被数字化成数据并由计算机进行处理分析。
目前大数据分析方法常用到的描述型分析、诊断型分析、预测型分析和指令型分析这四种方法。大量事实表明，目前还存在隐私保护上的不足，大数据未能妥善处理会对用户的隐私造成极大的侵害。
特征选择是从特征集中选择对分类器的准确性贡献最大的一组相关特征的技术。特征选择一直是过去十到十五年的活跃研究领域，由于数据量大，数据的高维度造成的计算高复杂度，导致单机处理时间过于漫长。
发明内容
为了解决上述技术问题，本发明提出了一种Spark分布式的灰狼优化算法的大数据分析方法。
本发明所采用的技术方案是：一种采用灰狼优化算法的大数据分析方法，其特征在于，包括以下步骤：
步骤1：读取原始数据集，然后将数据集进行预处理，并将预处理后的数据集存储在HDFS中；
步骤2：从HDFS加载数据集到内存，将数据集转化为RDD，该数据集代表着狼群N，计算出初始的适应度值；
步骤3：采用灰狼优化算法更新狼的位置，利用Spark分布式平台迭代计算出每头狼更新之后的适应度值，与狼群初始适应度值比较，并保留最佳的三匹狼的位置和适应度值；
步骤4：保留每一代最佳位置和适应度值并与上一代做比较，保留最好的一代；
步骤5：判断所述更新次数是否小于迭代次数；
若是，返回步骤3；
若否，输出当前最佳狼的位置和适应度值；其中，最佳狼的位置代表的是这个最优解的狼所在的位置，最佳狼的适应度值代表在这个大数据集分析中的最优解。
本发明是基于Spark分布式的二进制灰狼优化算法的大数据分析方法，将每个特征子集都编码为1和0的二进制编码，因此将所有的解表示为二进制向量的形式；并且结合Spark分布式的计算优点，使得算法具有更高的搜索性能，运行效率明显的提升，能很好的改进算法容易陷入局部最优的缺点及提高算法的收敛效率。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例的原理图；
图3为本发明实施例的Spark分布式的框架图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
灰狼优化算法(Grey Wolf Optimizer,GWO)由澳大利亚学者Mirjalili于2014年提出，通过模拟灰狼的社会等级，将包围、追捕和攻击等捕食任务分配给不同等级的灰狼群来完成捕食行为，从而实现全局优化的过程。目前，GWO作为一种新的启发式优化方法，已被成功应用于电力系统等优化问题中。
随着数据量的井喷式增长，通过分布式计算平台来处理这些巨大的数据量已成为趋势，其中以Hadoop和Spark应用最为广泛。通过将计算量巨大的任务拆分成多个，由多台设备进行并行计算，从而节省计算时间，显著提高计算效率。而Spark平台最大的特点就是将计算的中间结果都存储在内存中，大大减少了I/O开销，更加适合提高迭代次数较多的群体优化算法的运行效率。
本发明是基于Spark分布式的二进制灰狼优化算法的大数据分析方法，鉴于高维的特征空间对大多数分类算法在分类精度以及降低维度都有很大的影响，因此需要从原始的高维特征数据中提取对分类有用的特征，从而达到降低特征维数的目的，以提高分类精度。因此本发明能够解决很多实际中机器学习和数据挖掘，数据降维的问题。
请见图1、图2，本发明提供的一种采用灰狼优化算法的大数据分析方法，包括以下步骤：
步骤1：读取原始数据集，然后将数据集进行预处理，并将预处理后的数据集存储在HDFS中；
本实施例中，将数据集进行预处理，是进行缺失值和格式问题处理，其中缺失值处理采用的是平均值填充，格式处理是将字符串类型转换为数值类型。
步骤2：从HDFS加载数据集到内存，将数据集转化为RDD，该数据集代表着狼群N，计算出初始的适应度值；
其中，本实施例的适应度值计算公式为：
其中Fitness(i)为第i头狼的适应度值，α是[0,1]的随机数，β＝1-α，Accuracy(i)为分类准确率，C是数据特征总数，R是被选择的特征数量。
步骤3：采用灰狼优化算法更新狼的位置，利用Spark分布式平台迭代计算出每头狼更新之后的适应度值，与狼群初始适应度值比较，并保留最佳的三匹狼的位置和适应度值；
步骤3中更新狼的位置，具体实现包括以下子步骤：
步骤3.1：随机产生初始化种群；
Xi(i＝1,2…,N) (1)
f(x)是自定义的适应度函数Fitness(i)，用于求解最优个体minimize f(x)；
minimize f(X)，X＝(X1,X2,X3,…,XN)∈R (2)
定义狼群搜索范围：
lb(i)≤Xi≤ub(i),1≤i≤N (3)
在灰狼优化算法中，整个狼群被分为α、β、δ和ω；其中，α狼是整个灰狼群在捕猎过程中的领导者，是适应度最佳、离最优值最接近的狼；β狼和δ狼是适应度次佳的两个个体，捕猎中它们会协助α狼对灰狼群的进行管理及捕猎过程中的决策问题，同时也是α狼的候选者；剩余的狼群被定义为ω，其主要职责是平衡灰狼种群的内务关系及协助α、β和δ对猎物进行攻击；在整个捕猎过程中，首先由α狼带领狼群搜索、跟踪、接近猎物，当距离猎物的范围足够小的时候，β和δ狼在α的指挥下对猎物进行围攻，并召唤周围的ω狼对猎物进行攻击，当猎物移动时，狼群形成包围猎物的包围圈也随之移动，直至捕获猎物。
步骤3.2：包围猎物；
狼群在确定猎物的位置后，首先要对猎物进行包围，在此过程中猎物与狼之间的距离由式(4)表示，猎物位置更新由式(5)表示；
其中，D表示狼与猎物间的距离；t表示当前的迭代次数，A和C表示系数，Xp(t)表示猎物的位置向量，X(t)表示灰狼的位置向量，A和C由式(6)、式(7)得出：
其中，r1和r2是(0,1)中的随机数，收敛因子a随着迭代次数从2线性递减到0，a由式(8)表示，其中imax表示最大迭代次数：
步骤3.3：狩猎；
对猎物进行包围之后，狼群的位置会跟随猎物移动而改变，然后根据α、β和δ狼的新位置来确定猎物的位置，α、β和δ狼的位置更新由式(9)表示；
其中，Dj分别表示剩余狼到α、β、δ狼的距离，Ci代表的是一个系数，是一个随机数；Xj(t)分别代表的是在t次迭代的时候α、β、δ狼的位置；
在狼攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随a下降；在迭代过程中当a的值从2到0下降时，当|A|＜1时，狼群缩小包围圈，对应提高算法局部开发能力，当|A|＞1时，狼群会扩大包围圈，搜索更好的猎物；算法设定当|A|＜1时，狼向猎物发起攻击；
步骤3.4：搜索猎物；
在搜索猎物时，算法设定当|A|＞1时，狼群会扩大包围圈，搜索更好的猎物，其余灰狼的位置更新和猎物位置更新分别由式(10)和式(11)所示；
步骤3.5：根据公式(11)计算出狼更新之后的位置
本实施例中，通过Spark平台，将大数据集划分成多个RDD，获得若干特征子集，一个特征子集对应一条数据，每一个特征子集都代表了一个解；每个特征子集都被编码为1和0的二进制字符串，因此将所有的解表示为二进制向量的形式，其中1表示选择一个特征来组成新的数据集，0表示不选择；用激活函数Sigmoid来构建这个二进制向量：
因此，式(11)将由以下等式代替：
式(13)中rand是(0,1)的随机数。
特征选择的目标函数定义为式(14)所示
其中Fitness(i)为第i头狼的适应度值，α是[0,1]的随机数，β＝1-α，Accuracy(i)为分类准确率，C是数据特征总数，R是被选择的特征数量。
请见图3，本实施例中通过Spark平台，将大数据集划分成多个RDD，同时进行计算，每迭代一次计算的结果，分布在每个分区，最后由一个Driver节点统一收集，进行最后的比较，并保留最好的结果。
步骤4：保留每一代最佳位置和适应度值并与上一代做比较，保留最好的一代；
步骤5：判断所述更新次数是否小于迭代次数；
若是，返回步骤3；
若否，输出当前最佳狼的位置和适应度值；其中，最佳狼的位置代表的是这个最优解的狼所在的位置，最佳狼的适应度值代表在这个大数据集分析中的最优解。
本发明提出的基于Spark平台的并行二进制灰狼优化算法的特征选择方法，具有更高的搜索性能，能很好的改进算法容易陷入局部最优的缺点及提高算法的收敛效率。将改进的灰狼算法良好的搜索能力与Spark平台的计算能力结合，简化了大数据量和计算的高复杂性，从而使算法更简单，更快速，更好地解决问题并降低存储要求。
分布式计算是一种有别于集中式计算的新型计算方式。通过将计算量巨大的任务拆分成多个，由多台设备进行并行计算，从而节省计算时间，显著提高计算效率。本发明提出的一种基于Spark平台的并行二进制灰狼优化算法的大数据分析方法，具有更高的搜索性能，能很好的改进算法容易陷入局部最优的缺点及提高算法的收敛效率。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种采用灰狼优化算法的大数据分析方法，其特征在于，包括以下步骤：
步骤1：读取原始数据集，然后将数据集进行预处理，并将预处理后的数据集存储在HDFS中；
步骤2：从HDFS加载数据集到内存，将数据集转化为RDD，该数据集代表着狼群N，计算出初始的适应度值；
步骤3：采用灰狼优化算法更新狼的位置，利用Spark分布式平台迭代计算出每头狼更新之后的适应度值，与狼群初始适应度值比较，并保留最佳的三匹狼的位置和适应度值；
步骤4：保留每一代最佳位置和适应度值并与上一代做比较，保留最好的一代；
步骤5：判断所述更新次数是否小于迭代次数；
若是，返回步骤3；
若否，输出当前最佳狼的位置和适应度值；其中，最佳狼的位置代表的是这个最优解的狼所在的位置，最佳狼的适应度值代表在这个大数据集分析中的最优解。
2.根据权利要求1所述的采用灰狼优化算法的大数据分析方法，其特征在于：步骤1中所述将数据集进行预处理，是进行缺失值和格式问题处理，其中缺失值处理采用的是平均值填充，格式处理是将字符串类型转换为数值类型。
3.根据权利要求1所述的采用灰狼优化算法的大数据分析方法，其特征在于，步骤2中适应度值计算公式为：
其中Fitness(i)为第i头狼的适应度值，α是[0,1]的随机数，β＝1-α，Accuracy(i)为分类准确率，C是数据特征总数，R是被选择的特征数量。
4.根据权利要求3所述的采用灰狼优化算法的大数据分析方法，其特征在于，步骤3中所述更新狼的位置，具体实现包括以下子步骤：
步骤3.1：随机产生初始化种群；
Xi(i＝1,2…,N) (1)
f(x)是自定义的适应度函数Fitness(i)，用于求解最优个体minimize f(x)；
minimize f(X)，X＝(X1,X2,X3,…,XN)∈R (2)
定义狼群搜索范围：
lb(i)≤Xi≤ub(i),1≤i≤N (3)
在灰狼优化算法中，整个狼群被分为α、β、δ和ω；其中，α狼是整个灰狼群在捕猎过程中的领导者，是适应度最佳、离最优值最接近的狼；β狼和δ狼是适应度次佳的两个个体，捕猎中它们会协助α狼对灰狼群的进行管理及捕猎过程中的决策问题，同时也是α狼的候选者；剩余的狼群被定义为ω，其主要职责是平衡灰狼种群的内务关系及协助α、β和δ对猎物进行攻击；
步骤3.2：包围猎物；
狼群在确定猎物的位置后，首先要对猎物进行包围，在此过程中猎物与狼之间的距离由式(4)表示，猎物位置更新由式(5)表示；
其中，D表示狼与猎物间的距离；t表示当前的迭代次数，A和C表示系数，Xp(t)表示猎物的位置向量，X(t)表示灰狼的位置向量，A和C由式(6)、式(7)得出：
其中，r1和r2是(0,1)中的随机数，收敛因子a随着迭代次数从2线性递减到0，a由式(8)表示，其中imax表示最大迭代次数：
步骤3.3：狩猎；
对猎物进行包围之后，狼群的位置会跟随猎物移动而改变，然后根据α、β和δ狼的新位置来确定猎物的位置，灰狼个体向猎物移动的位置模型由式(9)表示；
其中，Dj分别表示剩余狼到α、β、δ狼的距离，Ci代表的是一个系数，是一个随机数；Xj(t)分别代表的是在t次迭代的时候α、β、δ狼的位置；
在狼攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随a下降；在迭代过程中当a的值从2到0下降时，当|A|＜1时，狼群缩小包围圈，对应提高算法局部开发能力，当|A|＞1时，狼群会扩大包围圈，搜索更好的猎物；算法设定当|A|＜1时，狼向猎物发起攻击；
步骤3.4：搜索猎物；
在搜索猎物时，算法设定当|A|＞1时，狼群会扩大包围圈，搜索更好的猎物，其余灰狼的位置更新和猎物位置更新分别由式(10)和式(11)所示；
步骤3.5：根据公式(11)计算出狼更新之后的位置
5.根据权利要求4所述的采用灰狼优化算法的大数据分析方法，其特征在于：步骤3中，通过Spark平台，将大数据集划分成多个RDD，获得若干特征子集，一个特征子集对应一条数据，每一个特征子集都代表了一个解；每个特征子集都被编码为1和0的二进制字符串，因此将所有的解表示为二进制向量的形式，其中1表示选择一个特征来组成新的数据集，0表示不选择；用激活函数Sigmoid来构建这个二进制向量：
因此，式(11)将由以下等式代替：
式(13)中rand是(0,1)的随机数；
特征选择的目标函数定义为式(14)所示
其中Fitness(i)为第i头狼的适应度值，α是[0,1]的随机数，β＝1-α，Accuracy(i)为分类准确率，C是数据特征总数，R是被选择的特征数量。
6.根据权利要求1-5任意一项所述的采用灰狼优化算法的大数据分析方法，其特征在于：步骤3中，通过Spark平台，将大数据集划分成多个RDD，同时进行计算，每迭代一次计算的结果，分布在每个分区，最后由一个Driver节点统一收集，进行最后的比较，并保留最好的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910225827.5A CN110020711A (zh) | 2019-03-25 | 2019-03-25 | 一种采用灰狼优化算法的大数据分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910225827.5A CN110020711A (zh) | 2019-03-25 | 2019-03-25 | 一种采用灰狼优化算法的大数据分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110020711A true CN110020711A (zh) | 2019-07-16 |
Family
ID=67189892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910225827.5A Pending CN110020711A (zh) | 2019-03-25 | 2019-03-25 | 一种采用灰狼优化算法的大数据分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020711A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110554280A (zh) * | 2019-08-09 | 2019-12-10 | 上海电力大学 | 基于层级模型和改进灰狼优化算法的配电网故障定位方法 |
| CN110929731A (zh) * | 2019-11-22 | 2020-03-27 | 深圳信息职业技术学院 | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 |
| CN111258743A (zh) * | 2020-02-17 | 2020-06-09 | 武汉轻工大学 | 基于离散编码的云任务调度方法、装置、设备及存储介质 |
| CN111343259A (zh) * | 2020-02-17 | 2020-06-26 | 武汉轻工大学 | 基于二进制编码的云任务调度方法、服务器及存储介质 |
| CN111368891A (zh) * | 2020-02-27 | 2020-07-03 | 大连大学 | 一种基于免疫克隆灰狼优化算法的K-Means文本分类方法 |
| CN112488283A (zh) * | 2020-12-11 | 2021-03-12 | 湖北工业大学 | 一种改进的多目标灰狼优化算法 |
| CN113253229A (zh) * | 2021-05-12 | 2021-08-13 | 中国人民解放军空军工程大学 | 一种雷达目标识别方法及系统 |
| CN113537440A (zh) * | 2021-07-05 | 2021-10-22 | 沈阳化工大学 | 一种基于灰狼算法cstr周期操作参数的优化方法 |
| CN113839926A (zh) * | 2021-08-31 | 2021-12-24 | 哈尔滨工业大学 | 一种基于灰狼算法特征选择的入侵检测系统建模方法、系统及装置 |
| CN117354013A (zh) * | 2023-10-11 | 2024-01-05 | 中国电子科技集团公司第三十研究所 | 一种基于狼群狩猎算法的钓鱼攻击检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832830A (zh) * | 2017-11-17 | 2018-03-23 | 湖北工业大学 | 基于改进型灰狼优化算法的入侵检测系统特征选择方法 |
| CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
-
2019
- 2019-03-25 CN CN201910225827.5A patent/CN110020711A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832830A (zh) * | 2017-11-17 | 2018-03-23 | 湖北工业大学 | 基于改进型灰狼优化算法的入侵检测系统特征选择方法 |
| CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
Non-Patent Citations (4)
| Title |
|---|
| E. EMARY 等: "Binary grey wolf optimization approaches for feature selection", 《ELSEVIER》 * |
| HONGWEI CHEN 等: "A Spark-based Ant Lion Algorithm for Parameters Optimization of Random Forest in Credit Classification", 《2019 IEEE 3RD INFORMATION TECHNOLOGY,NETWORKING,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC 2019)》 * |
| QASEM AL-TASHI 等: "Binary Optimization Using Hybrid Grey Wolf Optimization for Feature Selection", 《IEEE ACCESS》 * |
| 陈昌帅: "二进制灰狼优化算法的研究与分析", 《学术研究》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110554280B (zh) * | 2019-08-09 | 2022-02-15 | 上海电力大学 | 基于层级模型和改进灰狼优化算法的配电网故障定位方法 |
| CN110554280A (zh) * | 2019-08-09 | 2019-12-10 | 上海电力大学 | 基于层级模型和改进灰狼优化算法的配电网故障定位方法 |
| CN110929731A (zh) * | 2019-11-22 | 2020-03-27 | 深圳信息职业技术学院 | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 |
| CN111258743A (zh) * | 2020-02-17 | 2020-06-09 | 武汉轻工大学 | 基于离散编码的云任务调度方法、装置、设备及存储介质 |
| CN111343259A (zh) * | 2020-02-17 | 2020-06-26 | 武汉轻工大学 | 基于二进制编码的云任务调度方法、服务器及存储介质 |
| CN111258743B (zh) * | 2020-02-17 | 2023-05-23 | 武汉轻工大学 | 基于离散编码的云任务调度方法、装置、设备及存储介质 |
| CN111343259B (zh) * | 2020-02-17 | 2022-08-12 | 武汉轻工大学 | 基于二进制编码的云任务调度方法、服务器及存储介质 |
| CN111368891B (zh) * | 2020-02-27 | 2023-06-13 | 大连大学 | 一种基于免疫克隆灰狼优化算法的K-Means文本分类方法 |
| CN111368891A (zh) * | 2020-02-27 | 2020-07-03 | 大连大学 | 一种基于免疫克隆灰狼优化算法的K-Means文本分类方法 |
| CN112488283A (zh) * | 2020-12-11 | 2021-03-12 | 湖北工业大学 | 一种改进的多目标灰狼优化算法 |
| CN112488283B (zh) * | 2020-12-11 | 2024-03-22 | 湖北工业大学 | 一种改进的多目标灰狼优化算法的实现方法 |
| CN113253229A (zh) * | 2021-05-12 | 2021-08-13 | 中国人民解放军空军工程大学 | 一种雷达目标识别方法及系统 |
| CN113253229B (zh) * | 2021-05-12 | 2023-09-26 | 中国人民解放军空军工程大学 | 一种雷达目标识别方法及系统 |
| CN113537440A (zh) * | 2021-07-05 | 2021-10-22 | 沈阳化工大学 | 一种基于灰狼算法cstr周期操作参数的优化方法 |
| CN113839926A (zh) * | 2021-08-31 | 2021-12-24 | 哈尔滨工业大学 | 一种基于灰狼算法特征选择的入侵检测系统建模方法、系统及装置 |
| CN113839926B (zh) * | 2021-08-31 | 2023-09-22 | 哈尔滨工业大学 | 一种基于灰狼算法特征选择的入侵检测系统建模方法、系统及装置 |
| CN117354013A (zh) * | 2023-10-11 | 2024-01-05 | 中国电子科技集团公司第三十研究所 | 一种基于狼群狩猎算法的钓鱼攻击检测方法 |
| CN117354013B (zh) * | 2023-10-11 | 2024-04-23 | 中国电子科技集团公司第三十研究所 | 一种基于狼群狩猎算法的钓鱼攻击检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020711A (zh) | 一种采用灰狼优化算法的大数据分析方法 | |
| US10713597B2 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
| US11151450B2 (en) | System and method for generating explainable latent features of machine learning models | |
| Krause et al. | Multiplicative LSTM for sequence modelling | |
| Zhang et al. | Efficient training of very deep neural networks for supervised hashing | |
| CN109639710B (zh) | 一种基于对抗训练的网络攻击防御方法 | |
| US10510021B1 (en) | Systems and methods for evaluating a loss function or a gradient of a loss function via dual decomposition | |
| JP2019032808A (ja) | 機械学習方法および装置 | |
| WO2022037295A1 (zh) | 一种针对深度哈希检索的有目标攻击方法及终端设备 | |
| Piernik et al. | A study on using data clustering for feature extraction to improve the quality of classification | |
| WO2023019456A1 (en) | Method and apparatus for evaluation of adversarial robustness | |
| Glauner | Comparison of training methods for deep neural networks | |
| CN115456043A (zh) | 分类模型处理、意图识别方法、装置和计算机设备 | |
| Dolatabadi et al. | ℓ∞-robustness and beyond: Unleashing efficient adversarial training | |
| Chenou et al. | Radial basis function network: Its robustness and ability to mitigate adversarial examples | |
| Faber et al. | Vlad: Task-agnostic vae-based lifelong anomaly detection | |
| WO2021253938A1 (zh) | 一种神经网络的训练方法、视频识别方法及装置 | |
| CN114780879A (zh) | 一种用于知识超图的可解释性链接预测方法 | |
| CN111241550B (zh) | 基于二进制映射和深度学习的漏洞检测方法 | |
| CN110163369B (zh) | 图像识别与神经网络模型的训练方法、装置和系统 | |
| CN112948578B (zh) | 一种dga域名开集分类方法、装置、电子设备及介质 | |
| CN113705761A (zh) | 基于维度学习策略和莱维飞行的灰狼优化方法 | |
| WO2021059527A1 (ja) | 学習装置、学習方法、及び、記録媒体 | |
| CN112953914A (zh) | 一种dga域名检测分类方法及装置 | |
| CN111783088A (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |
|
| RJ01 | Rejection of invention patent application after publication |