CN112511519A - 一种基于特征选择算法的网络入侵检测方法 - Google Patents
一种基于特征选择算法的网络入侵检测方法 Download PDFInfo
- Publication number
- CN112511519A CN112511519A CN202011313089.9A CN202011313089A CN112511519A CN 112511519 A CN112511519 A CN 112511519A CN 202011313089 A CN202011313089 A CN 202011313089A CN 112511519 A CN112511519 A CN 112511519A
- Authority
- CN
- China
- Prior art keywords
- subset
- feature
- strategy
- machine learning
- algorithm
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征选择算法的网络入侵检测方法,包括如下步骤:1:使用QBSO‑FS算法,对NSL‑KDD数据在多种机器学习模型上的分类效果进行优化,获得优化子集;2:使用步骤1得到的优化子集,联合决策出新的特征子集;3:使用步骤2得到新的特征子集作为输入,用于复杂机器学习模型分类使用。本发明方法是基于QBSO‑FS和机器学习的入侵检测方法,原始数据经过特征选择后在普通机器学习算法中分类精度有效提升,在融合多种机器学习算法分类的最优特征子集后,数据集在高性能机器学习分类算法上表现优于一般特征选择算法;通过使用特征选择来提升机器学习算法的分类精度,适用于物联网环境下设备计算资源不多的情况,实际布控可行性是高于复杂的深度学习模型的。
Description
技术领域
本发明涉及一种基于特征选择算法的网络入侵检测方法,属于网络安全技术领域。
背景技术
随着网络信息技术的发展,万物物联的概念兴起,世界工业体系步入工业物联网时代。在物联网架构中,工业环境与生活环境中的各种终端设备的数据信息通过网络被收集,用于大数据分析,数据成为了这个时代新的财富源泉。但是物联网海量终端下的大数据关乎工业生产安全,如果这些大数据被不法分子窃取、使用,会对工业生产造成巨大的破坏与影响。物联大数据下的安全问题变得十分重要。
异常检测方法的提出就是为了解决网络中数据信息安全问题,不管是终端设备的设备安全,还是互联平台的数据安全,又或者是网络平台的非法入侵问题,都通过异常检测模型进行防御。异常检测模型本质是分类算法在数据集上应用,根据数据集的不同分为基于主机和基于网络流两种类型,数据形式和类型的选择根据应用场景与方式的不同而区别。针对数据的使用需要对网络环境的数据进行有效的特征提取,传统的数据特征选择算法对模型的针对性不高,且不能有效剔除特征冗余,特征属性模糊。因此,需要一种有效的特征选择方法,针对数据的不同特征属性进行有效筛选,剔除冗余,从而提升分类算法准确率。
发明内容
本发明提供一种基于特征选择算法的网络入侵检测方法,解决了实际入侵检测问题中在面临不同环境、设备条件下的数据选择、分类算法选择问题。
为解决上述技术问题,本发明所采用的技术方案如下:
一种基于特征选择算法的网络入侵检测方法,包括如下步骤:
步骤1:使用QBSO-FS算法,对NSL-KDD数据在多种机器学习模型上的分类效果进行优化,获得优化子集;
步骤2:使用步骤1得到的优化子集,联合决策出新的特征子集;
步骤3:使用步骤2得到新的特征子集作为输入,用于复杂机器学习模型分类使用。
本发明公开一种基于QBSO-FS(基于强化学习的蜂群智能优化特征选择算法)和机器学习的入侵检测方法,实验表明,原始数据经过特征选择后在普通机器学习算法中分类精度有效提升,在融合多种机器学习算法分类的最优特征子集后,数据集在高性能机器学习分类算法上表现优于一般特征选择算法;通过使用特征选择来提升机器学习算法的分类精度,适用于物联网环境下设备计算资源不多的情况,实际布控可行性是高于复杂的深度学习模型的。
为了进一步提高准确性:上述步骤1包括:
1.1:定义策略向量X={x1,x2,…,xn},其中n为数据集维度,即数据的特征数,其中xi的取值为{0,1},1代表选择此特征,0则代表舍弃,不同的向量代表不同的特征子集策略,所有的策略X向量构成了n维状态空间S;
1.2:在初始状态,随机初始化策略RefSol(RefSol∈S),将此策略插入名为Tabu的表格,存该表格的策略将不会在确定搜索区域时再次选择;
1.3:通过RefSol选择蜜蜂的搜索区域SearchRegion,即K只蜜蜂的搜索路径,一个策略代表一个搜索路径,在搜索区域中策略的选择是使用Flip变量,Flip是搜索区域的大小,而对搜索区域中1/Flip变量的0,1翻转:向量元素变化0→1,或者从1→0,就是策略选择的动作,翻转后的结果就是策略的状态转移,每只蜜蜂的搜索过程,在分配的策略中使用高斯贝叶斯、决策树、随机森林和线性感知器进行分类训练,获得分类准确率accuracy是蜜蜂搜索的结果,公式如下:
其中:Acc(st)是状态S在t时刻在通过分类器分类的准确率;
nbFeatures(st)是状态st所选择的特征个数;
rt是Q-Learning算法在t时刻所获得的收益;
rt由不同的状态变化结果而有不同的计算方式,得到rt则可计算Q函数:待学习的动作价值函数Q采用了对最优动作价值函数q*的直接近似作为学习目标,其中Q(st,at)是状态st下,选择动作αt的价值函数值,α是常量步长参数,γ是折扣率,rt是t时刻所获得的收益,是指在状态st+1中选择能获得最大价值的动作a的价值;
1.4:将获得Q值分享给其他蜜蜂,就是将状态s′,Q(s,a)存入Dance表格,当此轮迭代中k只蜜蜂在状态空间SearchRegion中搜索完毕后,选择从策略RefSol可变换的最佳搜索策略,即获得最优反馈Q的策略,从而得到新的RefSol(t+1),多轮迭代完成后,获得能够使机器学习模型达到最优解的策略,即最优子集Xbest,机器学习算法精度也得到提升。
上述步骤2为:QBSO-FS结合机器学习算法得到特定特征子集special-subset:gs、js、rs、ps,其中:gs,js,rs,ps={x1,x2,…,xm},x∈{0,1},1表示原始特征被选择,0表示被舍弃,m为数据原始特征维度;gs:GuanssieBaiyes-subset,表示使用QBSO-FS和GuanssieBaiyes优化生成的优化子集;js:J48-subset,表示使用QBSO-FS和J48优化生成的优化子集;rs:RandomTree-subset,表示使用QBSO-FS和RandomTree优化生成的优化子集;ps:Perceptron-subset,表示使用QBSO-FS和Perceptron优化生成的优化子集;设决策函数为如下:
g(z)=Selection(gs,js,rs,ps,n,z),
其中n∈N*,当n=0时,表示被四种算法都剔除的特征子集,当n=1时,表示只被一种算法选择的特征子集,当n=2时,表示被两种算法选择的特征子集,当n=3时,表示被三种算法选择的子集,当n=4时,表示被所有算法选择的特征子集,z代表选择的特征个数;
其中z代表选择的子集特征数,Top_feature_10%(·)函数是四种机器学习算法筛选出的最优的10%的特征子集的并集,n_top是该子集的大小,f(·)是一种混合策略,最终得到最优子集:best_subset=f(z)。也即混合多个第二条的优化子集,生成最优子集。
上述步骤3中,对筛选数据集进行编码、特征提取,随后使用支持向量机或MLP高性能分类模型,用来检测异常。
本发明未提及的技术均参照现有技术。
本发明基于特征选择算法的网络入侵检测方法,是一种基于QBSO-FS(基于强化学习的蜂群智能优化特征选择算法)和机器学习的入侵检测方法,用于在实际工业环境中筛选网络特征数据,建立入侵检测模型,实验表明原始数据经过特征选择后在普通机器学习算法中分类精度有效提升,在融合多种机器学习算法分类的最优特征子集后,数据集在高性能机器学习分类算法上表现优于一般特征选择算法。
附图说明
图1为本发明基于特征选择算法的网络入侵检测方法的流程图;
具体实施方式
为了更好地理解本发明,下面结合实施例进一步阐明本发明的内容,但本发明的内容不仅仅局限于下面的实施例。
基于特征选择算法的网络入侵检测方法,包括如下步骤:
步骤1:获取原始数据,对原始数据进行预处理,并将预处理后的数据作为数据样本。入侵检测系统模型所需要的数据,以终端产生的所有交互流量为考察对象,研究融合终端物理特征、网络流量特征和业务行为特征,从而得到可以反映终端的网络行为状态的数据,获得高维数据集后,结合此方法进行使用。
本实验使用NSL-KDD开源网络入侵检测数据集,该数据集对网络流属性进行提取了41个特征,共分为4类。
表1:网络流属性
首先对原始数据集中的数据进行操作,使其转换为能够处理的数据格式,对其中离散数据类型进行编码操作,将其转换为数值类型。
设一条流量特征为x,网络流特征向量x的长度为41:
例如:
x=[0,tcp,ftp_data,SF,491,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2,2,0,0,0,0,1,0,0,150,25,0.17,0.03,0.17,0,0,0,0.05,0]
转换后
x=[0,1,19,9,491,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2,2,0,0,0,0,1,0,0,150,25,0.17,0.03,0.17,0,0,0,0.05,0]
数据处理完成后,输入该系统。
步骤2:使用QBSO-FS结合多种机器学习模型进行分类优化。
QBSO-FS算法用于对数据特征的优化,该模块通过策略搜索选择一个新的特征子集,作用于机器学习算法(高斯贝叶斯、决策树、随机森林、线性模型)分类训练,分类算法最终在测试数据集上的分类精度作为回馈,反作用于该模块,用于优化特征子集策略。
2.1:定义策略向量X={x1,x2,…,xn},其中n为数据集维度,即数据的特征数,其中xi的取值为{0,1},1代表选择此特征,0则代表舍弃,不同的向量代表不同的特征子集策略,所有的策略X构成了n维状态空间S。
2.2:在初始状态,随机初始化策略RefSol(RefSol∈S),将此策略插入名为Tabu的表格,存该表格的策略将不会在确定搜索区域时再次选择。
2.3:通过RefSol选择蜜蜂的搜索区域SearchRegion,即K只蜜蜂的搜索路径,一个策略代表一个搜索路径,在搜索区域中策略的选择是使用Flip变量,Flip是搜索区域的大小,而对搜索区域中1/Flip变量的0,1翻转(向量元素变化0→1,或者从1→0),就是策略选择的动作,翻转后的结果就是策略的状态转移。每只蜜蜂的搜索过程,在分配的策略中使用高斯贝叶斯、决策树、随机森林、线性感知器进行分类训练,获得分类准确率accuracy是蜜蜂搜索的结果,公式如下:
其中:Acc(st)是状态S在t时刻在通过分类器分类的准确率;nbFeatures(st)是状态st所选择的特征个数;rt是Q-Learning算法在t时刻所获得的收益;rt由不同的状态变化结果而有不同的计算方式,得到rt则可计算Q函数:
待学习的动作价值函数Q采用了对最优动作价值函数q*的直接近似作为学习目标,其中Q(st,at)是状态st下,选择动作at的价值函数值,α是常量步长参数,γ是折扣率,rt是t时刻所获得的收益,是指在状态st+1中选择能获得最大价值的动作a的价值;
2.4:将获得Q值分享给其他蜜蜂,就是将状态s′,Q(s,a)存入Dance表格。当此轮迭代中k只蜜蜂在状态空间SearchRegion中搜索完毕后,选择从策略RefSol可变换的最佳搜索策略,即获得最优反馈Q的策略,从而得到新的RefSol(t+1)。多轮迭代完成后,获得能够使机器学习模型达到最优解的策略,即最优子集Xoptimization,机器学习算法精度也得到提升。
在本实验中,特定机器学习算法结合QBSO-FS方法的优化子集如下表所示:
表2:特征优化子集
网络流总共41个特征,表格中0代表被舍弃,1代表被选择
步骤3:使用的联合多种优化子集决策生成最优子集,具体包括:
QBSO-FS结合机器学习算法得到特定特征子集special-subset:gs、js、rs、ps,其中:
gs,js,rs,ps={x1,x2,…,xm}
x∈{0,1},m为数据原始特征维度。
设决策函数为如下:
g(z)=Selection(gs,js,rs,ps,n,z)
其中n∈N*,当n=0时,表示被四种算法都剔除的特征子集,当n=1时,表示只被一种算法选择的特征子集,当n=2时,表示被两种算法选择的特征子集,当n=3时,表示被三种算法选择的子集,当n=4时,表示被所有算法选择的特征子集,z代表选择的特征个数。
对特征子集的选择公式:其中z代表选择的子集特征数,Top_feature_10%(·)函数是四种机器学习算法筛选出的最优的10%的特征子集的并集,n_top是该子集的大小。f(·)是一种混合策略,最终得到最优子集:best_subset=f(z),在进行此步时可以自主增加替换机器学习模型,但是要保证机器学习算法的类型差异性,这样多种优化子集才具有多样性。
步骤4:使用的联合最优子集进行入侵检测分类。首先使用合适的算法对筛选数据集进行编码、特征提取,随后使用支持向量机或MLP作为分类模型,用来检测异常。
优于常规方法本实验在z=36,即选择36中特征时达到分类精度最高,即本次实验从NSL-KDD数据集中选择的最优子集如下:
Xbest=[0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,19,20,21,23,24,25,26,27,28,29,30,31,32,33,35,36,37,38,39];
该等式中的数字代表41位流量特征中被选择的位。
为验证本文方法的有效性,选择了两种通用的特征选择算法,基于树的估量器(ST),和mRMR特征选择算法,都选择前36个被选择的特征属性,按照属性重要度排列:
ST=[33,38,37,28,11,24,25,3,22,1,35,32,34,39,31,2,23,29,4,26,36,7,40,30,27,9,5,12,0,21,15,10,13,16,18,8];
mRMR=[2,31,32,22,33,35,3,28,30,39,37,1,11,34,24,25,38,23,40,29,26,27,36,0,7,21,9,18,13,16,10,14,5,12,15,17];
表3:SVM下的优化子集分类对比
该表中的方法是选择使用支持向量机,表中12-acc表示在选择12个特征时的分类准确率,26-acc代表选择26个特征时的准确率。
表4:多层感知机下的优化子集分类对比
该表中的方法是LLE特征降维和MLP多层感知机(前馈神经网络)结合作为分类器,41-acc表示原始数据特征下的分类准确率,36-acc表示选择36个特征的分类准确率,从实验可以看到该专利方法是有效的。
上步中的最优特征子集是一个有效的用于入侵检测系统使用分类的数据集,因此在选择复杂模型时,正常的有选择的使用多种特征提取、降维、编码模型,在使用多层感知机或者是支持向量机等高性能算法进行分类。
上述方法,包括从物联网设备中提取数据样本;使用特征选择算法对数据进行降维,优化在对应机器学习上的分类结果;联合多种机器学习算法的优化子集生成最优子集;将最优子集应用在复杂分类模型,提高了入侵检测系统在实际工业环境中布控的可行性,提升了模型精度和检测速度。
Claims (4)
1.一种基于特征选择算法的网络入侵检测方法,其特征在于:包括如下步骤:
步骤1:使用QBSO-FS算法,对NSL-KDD数据在多种机器学习模型上的分类效果进行优化,获得优化子集;
步骤2:使用步骤1得到的优化子集,联合决策出新的特征子集;
步骤3:使用步骤2得到新的特征子集作为输入,用于复杂机器学习模型分类使用。
2.如权利要求1所述的基于特征选择算法的网络入侵检测方法,其特征在于:步骤1包括:
1.1:定义策略向量X={x1,x2,…,xn},其中n为数据集维度,即数据的特征数,其中xi的取值为{0,1},1代表选择此特征,0则代表舍弃,不同的向量代表不同的特征子集策略,所有的策略X向量构成了n维状态空间S;
1.2:在初始状态,随机初始化策略RefSol(RefSol∈S),将此策略插入名为Tabu的表格,存该表格的策略将不会在确定搜索区域时再次选择;
1.3:通过RefSol选择蜜蜂的搜索区域SearchRegion,即K只蜜蜂的搜索路径,一个策略代表一个搜索路径,在搜索区域中策略的选择是使用Flip变量,Flip是搜索区域的大小,而对搜索区域中1/Flip变量的0,1翻转:向量元素变化0→1,或者从1→0,就是策略选择的动作,翻转后的结果就是策略的状态转移,每只蜜蜂的搜索过程,在分配的策略中使用高斯贝叶斯、决策树、随机森林和线性感知器进行分类训练,获得分类准确率accuracy是蜜蜂搜索的结果,公式如下:
其中:Acc(st)是状态S在t时刻在通过分类器分类的准确率;nbFeatures(st)是状态st所选择的特征个数;rt是Q-Learning算法在t时刻所获得的收益;rt由不同的状态变化结果而有不同的计算方式,得到rt则可计算Q函数:
待学习的动作价值函数Q采用了对最优动作价值函数q*的直接近似作为学习目标,其中Q(st,at)是状态st下,选择动作at的价值函数值,α是常量步长参数,γ是折扣率,rt是t时刻所获得的收益,是指在状态st+1中选择能获得最大价值的动作a的价值;
1.4:将获得Q值分享给其他蜜蜂,就是将状态s′,Q(s,a)存入Dance表格,当此轮迭代中k只蜜蜂在状态空间SearchRegion中搜索完毕后,选择从策略RefSol可变换的最佳搜索策略,即获得最优反馈Q的策略,从而得到新的RefSol(t+1),多轮迭代完成后,获得能够使机器学习模型达到最优解的策略,即优化子集Xoptimization,机器学习算法精度也得到提升。
3.如权利要求1或2所述的基于特征选择算法的网络入侵检测方法,其特征在于:步骤2为:QBSO-FS结合机器学习算法得到特定特征子集special-subset:gs、js、rs、ps,其中:gs,js,rs,ps={x1,x2,…,xm},x∈{0,1},1表示原始特征被选择,0表示被舍弃,m为数据原始特征维度;gs:GuanssieBaiyes-subset,表示使用QBSO-FS和GuanssieBaiyes优化生成的优化子集;js:J48-subset,表示使用QBSO-FS和J48优化生成的优化子集;rs:RandomTree-subset,表示使用QBSO-FS和RandomTree优化生成的优化子集;ps:Perceptron-subset,表示使用QBSO-FS和Perceptron优化生成的优化子集;设决策函数为如下:g(z)=Selection(gs,js,rs,ps,n,z),其中n∈N*,当n=0时,表示被四种算法都剔除的特征子集,当n=1时,表示只被一种算法选择的特征子集,当n=2时,表示被两种算法选择的特征子集,当n=3时,表示被三种算法选择的子集,当n=4时,表示被所有算法选择的特征子集,z代表选择的特征个数;
4.如权利要求1或2所述的基于特征选择算法的网络入侵检测方法,其特征在于:步骤3为,对筛选数据集进行编码、特征提取,随后使用支持向量机或MLP高性能分类模型,用来检测异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011313089.9A CN112511519A (zh) | 2020-11-20 | 2020-11-20 | 一种基于特征选择算法的网络入侵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011313089.9A CN112511519A (zh) | 2020-11-20 | 2020-11-20 | 一种基于特征选择算法的网络入侵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112511519A true CN112511519A (zh) | 2021-03-16 |
Family
ID=74959341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011313089.9A Pending CN112511519A (zh) | 2020-11-20 | 2020-11-20 | 一种基于特征选择算法的网络入侵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112511519A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115296837A (zh) * | 2022-06-24 | 2022-11-04 | 沈阳化工大学 | 一种基于ssa优化的可持续集成入侵检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086603A (zh) * | 2018-07-10 | 2018-12-25 | 阜阳职业技术学院 | 一种基于机器学习的入侵检测系统及方法 |
US20190155941A1 (en) * | 2017-11-21 | 2019-05-23 | International Business Machines Corporation | Generating asset level classifications using machine learning |
CN110162968A (zh) * | 2019-05-20 | 2019-08-23 | 西安募格网络科技有限公司 | 一种基于机器学习的网络入侵检测系统 |
US20190286242A1 (en) * | 2018-03-16 | 2019-09-19 | Veridium Ip Limited | System and method for user recognition using motion sensor data |
-
2020
- 2020-11-20 CN CN202011313089.9A patent/CN112511519A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190155941A1 (en) * | 2017-11-21 | 2019-05-23 | International Business Machines Corporation | Generating asset level classifications using machine learning |
US20190286242A1 (en) * | 2018-03-16 | 2019-09-19 | Veridium Ip Limited | System and method for user recognition using motion sensor data |
CN109086603A (zh) * | 2018-07-10 | 2018-12-25 | 阜阳职业技术学院 | 一种基于机器学习的入侵检测系统及方法 |
CN110162968A (zh) * | 2019-05-20 | 2019-08-23 | 西安募格网络科技有限公司 | 一种基于机器学习的网络入侵检测系统 |
Non-Patent Citations (1)
Title |
---|
程相鑫等: "《Intrusion detection system based on QBSO-FS》", 《2020 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND COMPUTER ENGINEERING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115296837A (zh) * | 2022-06-24 | 2022-11-04 | 沈阳化工大学 | 一种基于ssa优化的可持续集成入侵检测方法 |
CN115296837B (zh) * | 2022-06-24 | 2023-09-15 | 沈阳化工大学 | 一种基于ssa优化的可持续集成入侵检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kulkarni et al. | Random forest classifiers: a survey and future research directions | |
CN111785329B (zh) | 基于对抗自动编码器的单细胞rna测序聚类方法 | |
Diao et al. | Feature selection inspired classifier ensemble reduction | |
Lensen et al. | Genetic programming for evolving a front of interpretable models for data visualization | |
Camilleri et al. | An algorithmic approach to parameter selection in machine learning using meta-optimization techniques | |
Alomari et al. | A hybrid filter-wrapper gene selection method for cancer classification | |
Wang et al. | STNet: Scale tree network with multi-level auxiliator for crowd counting | |
Gabrys et al. | Combining labelled and unlabelled data in the design of pattern classification systems | |
Abd-Alsabour | A review on evolutionary feature selection | |
Hou et al. | BIFFOA: A novel binary improved fruit fly algorithm for feature selection | |
Özyurt et al. | UC-Merced image classification with CNN feature reduction using wavelet entropy optimized with genetic algorithm | |
Li et al. | Automatic design of machine learning via evolutionary computation: A survey | |
CN111259264B (zh) | 一种基于生成对抗网络的时序评分预测方法 | |
Phong et al. | PSO-convolutional neural networks with heterogeneous learning rate | |
Mili et al. | A comparative study of expansion functions for evolutionary hybrid functional link artificial neural networks for data mining and classification | |
Kawamura et al. | A hybrid approach for optimal feature subset selection with evolutionary algorithms | |
Huang et al. | Split-level evolutionary neural architecture search with elite weight inheritance | |
CN112511519A (zh) | 一种基于特征选择算法的网络入侵检测方法 | |
Chattopadhyay et al. | Feature selection using differential evolution with binary mutation scheme | |
Hancer | A multi-objective differential evolution feature selection approach with a combined filter criterion | |
Brito et al. | Generating neural networks with optimal features through particle swarm optimization | |
Alves et al. | Optimizing neural architecture search using limited gpu time in a dynamic search space: a gene expression programming approach | |
Singh et al. | Ensemble multi-view feature set partitioning method for effective multi-view learning | |
Santana et al. | Bio-inspired meta-heuristic as feature selector in ensemble systems: A comparative analysis | |
Ahm | Machine Learning Approches for Evaluating the Properties of Materials |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210316 |