CN113141272A - 基于迭代优化rbf神经网络的网络安全态势分析方法 - Google Patents

基于迭代优化rbf神经网络的网络安全态势分析方法 Download PDF

Info

Publication number
CN113141272A
CN113141272A CN202110425065.0A CN202110425065A CN113141272A CN 113141272 A CN113141272 A CN 113141272A CN 202110425065 A CN202110425065 A CN 202110425065A CN 113141272 A CN113141272 A CN 113141272A
Authority
CN
China
Prior art keywords
individuals
individual
iteration
population
sub
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.)
Granted
Application number
CN202110425065.0A
Other languages
English (en)
Other versions
CN113141272B (zh
Inventor
吴春明
吴玉芹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Ningde Normal University
Original Assignee
Zhejiang University ZJU
Ningde Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Ningde Normal University filed Critical Zhejiang University ZJU
Priority to CN202110425065.0A priority Critical patent/CN113141272B/zh
Publication of CN113141272A publication Critical patent/CN113141272A/zh
Application granted granted Critical
Publication of CN113141272B publication Critical patent/CN113141272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于迭代优化RBF神经网络的网络安全态势分析方法。本发明首次通过遗传算法迭代的优化RBF网络的宽度和链接权重，在总体上维持了较低的绝对误差，并且赖交叉模型和基因突变几率进行自适应调整，使种群向有利方向迭代，加快了算法的收敛速度，混沌搜索策略也避免了算法在迭代过程中陷入局部极小值。

Description

基于迭代优化RBF神经网络的网络安全态势分析方法
技术领域
本发明属于网络安全技术领域，尤其涉及一种基于迭代优化RBF神经网络的网络安全态势分析方法。
背景技术
传统遗传算法的交叉操作来源于不同类别间的个体，并没有考虑仅有差异个体之间的操作不能保证整个种群的收敛方向和收敛速度，所以很多时候RBF神经网络的两个参数不能达到收敛的正确方向，且收敛速度较慢。
发明内容
本发明的目的在于针对现有技术的不足，提供了一种基于迭代优化RBF神经网络的网络安全态势分析方法。
本发明的目的是通过以下技术方案来实现的：一种基于迭代优化RBF神经网络的网络安全态势分析方法，包括以下步骤：
(1)基于资源分配网络确定最大的RBF神经网络隐含层神经元个数h。
(2)初始化种群M∈RN×(h+m)为：
Figure BDA0003029021460000011
其中，
Figure BDA0003029021460000012
为第i1个基函数宽度，
Figure BDA0003029021460000016
为某个隐含层神经元与第j1个输出层神经元之间的权重，m为输出层神经元个数，N为种群中个体数量。
(3)根据当前种群划分子种群。
(4)估计适应度函数。
(5)根据概率pc进行交叉操作。
(6)执行概率
Figure BDA0003029021460000013
的变异操作，针对每个个体以
Figure BDA0003029021460000014
的概率进行变异，变异子代个体加入当前种群；
Figure BDA0003029021460000015
表示第g次迭代个体变异的概率。
(7)获得被感知网络上的安全数据和对应的网络安全态势值，判断步骤(6)得到的当前种群中适应度最高的个体对应的RBF网络是否满足精度要求。
(7.1)如满足精度要求，则跳到步骤(10)。
(7.2)用g对迭代计步，如不满足精度要求，则判断是否达到指定的迭代次数gmax。
(7.2.1)如达到指定的迭代次数，则跳到步骤(10)。
(7.2.2)如未达到指定的迭代次数，则执行步骤(8)。
(8)基于步骤(6)得到的当前种群，对最优个体进行混沌搜索。在迭代优化过程中采用基于混沌的搜索策略，对每一代的最优个体进行T2次搜索。
(9)找到步骤(8)搜索得到的T2个新个体中适应度最高的个体
Figure BDA0003029021460000021
Xg是第g次迭代时步骤(6)得到的当前种群的最优个体。如果
Figure BDA0003029021460000022
适应度高于Xg，则用
Figure BDA0003029021460000023
取代Xg，更新当前种群；否则不更新。
(10)跳到步骤(3)基于步骤(9)得到的当前种群继续进行迭代。
(11)确定最终的RBF网络模型。
(12)将待测网络安全数据输入步骤(11)的RBF网络模型中，输出网络安全态势预测值。
进一步地，步骤(3)包括以下子步骤：
(3.1)计算当前种群中任意两个个体间的欧氏距离，构建邻接矩阵D。
(3.2)利用普利姆算法求解邻接矩阵D的最小生成树T1。
(3.3)计算最小生成树T1的平均权值W，取阈值V为最小生成树T1中小于δ×W的最大权重；δ是权重，0＜δ＜1。
(3.4)遍历最小生成树T1，查找大于阈值V的所有边并将其断开，得到若干个子连通图。
(3.5)遍历各子连通图，得到子类，对应子种群，并对子种群编号保存。
进一步地，步骤(5)包括以下子步骤：
(5.1)轮盘选择一个个体
Figure BDA0003029021460000024
记下该个体所属的子种群的编号i3，从子种群i3中选择一个适应度最高的个体
Figure BDA0003029021460000025
(5.2)选择与子种群i3距离最远的子种群j2，随机选择子种群j2中的一个个体y；
(5.3)个体
Figure BDA0003029021460000026
与
Figure BDA0003029021460000027
进行交叉操作产生的个体的集合为X；
(5.4)选择个体
Figure BDA0003029021460000028
与
Figure BDA0003029021460000029
中，与个体y距离较远的个体，记为
Figure BDA00030290214600000210
个体
Figure BDA00030290214600000211
与个体y进行交叉操作产生的个体集合为Y。
(5.5)通过贪婪算法选择集合X和集合Y中适应度较大的前b个个体作为子代个体，加入当前种群。
进一步地，步骤(5.3)中，交叉操作采用的交叉算子为自适应算子：
Figure BDA0003029021460000031
其中，fc表示交叉操作两个个体中适应度较大的个体，fmax和favg分别表示当前种群中的最大适应度值以及平均适应度值。通过
Figure BDA0003029021460000038
两个参数进行交叉程度调整，其中，pc∈[6.000,9.9000]。
进一步地，步骤(6)中，变异操作采用以下方式：
Figure BDA0003029021460000032
其中，g0是迭代第一轮，gmax是最大迭代轮数，g表示为当前遗传的迭代轮数，
Figure BDA0003029021460000033
为随机初始化的变异率，且
Figure BDA0003029021460000034
k为控制变异的参数。
进一步地，步骤(8)采用一维Logistic映射混沌模型，可以表示为：
Zt+1＝μZt(1-Zt)
其中，t＝0～T2-1，μ表示控制参数，随机生成一个(h+m)维向量Z0，然后对初始值Z0进行T2次混沌迭代。在对遗传算法种群最优个体的迭代过程为：
Figure BDA0003029021460000035
Figure BDA0003029021460000036
其中，Xg是第g次迭代时步骤(6)得到的当前种群的最优个体，
Figure BDA0003029021460000037
是第g次迭代时第t+1次混沌搜索后的新个体，α是混沌调节参数，可向待搜索个体的正反两个方向进行遍历，r是[0,1]区间内的随机数。
本发明的有益效果是：本发明针对网络安全态势的分析和预测分析，依赖交叉模型和基因突变几率进行自适应调整，使种群向有利方向迭代，加快了算法的收敛速度。本发明通过改进的遗传算法迭代优化神经网络模型。迭代优化RBF算法在总体上维持了较低的绝对误差，混沌搜索策略也避免了算法在迭代过程中陷入局部极小值。本发明提高了网络安全态势分析的精度。
附图说明
图1基于迭代优化RBF神经网络的网络安全态势分析流程图。
具体实施方式
针对RBF神经网络在网络安全态势的分析和预测上精度和鲁棒性存在不足，发明一种基于交叉模型的遗传算法，该算法同时将同类个体间的遗传操作考虑进来，并对两种操作产生的个体加入竞争机制，对产生的子代个体进行优胜劣汰，选择适应度较强的个体进化为下一代，通过不断迭代优化RBF神经网络的两个参数。实际上，由于子种群内相似个体之间的近亲繁殖在一定程度上可以保护优秀的基因模式，维持个体的优良性状，加快收敛速度，但其缺点是如果过多地保护优良个体就会导致多样性缺失，进而造成收敛于局部极小值。因此，本文也同时让不同子种群间个体之间进行交叉操作，不同子种群间个体之间具有一定的差异性，能够避免近亲繁殖，维持种群多样性，从而两者之间的合作与竞争关系可以同时兼顾到种群多样性与收敛速度之间的平衡。
如图1所示，本发明一种基于迭代优化RBF神经网络的网络安全态势分析方法，包括以下步骤：
(1)基于资源分配网络(RAN，resource-allocating network)确定最大的RBF神经网络隐含层神经元个数h。
(2)采用改进的基于交叉模型的遗传算法迭代优化RBF网络的基函数宽度和隐含层与输出层的链接权重，可以让RBF神经网络的精度和性能发挥到最大。初始化种群M∈RN ×(h+m)为
Figure BDA0003029021460000041
i2＝1～N；其中，
Figure BDA0003029021460000042
为第i1个基函数宽度，
Figure BDA0003029021460000043
为某个隐含层神经元与第j1个输出层神经元之间的权重，m为输出层神经元个数，N为种群中个体数量。
(3)划分子种群。
(3.1)计算当前种群中任意两个个体间的欧氏距离，构建邻接矩阵D。
(3.2)利用普利姆算法求解邻接矩阵D的最小生成树T1。
(3.3)计算最小生成树T1的平均权值W，取阈值V为最小生成树T1中小于δ×W的最大权重；δ是权重，0＜δ＜1。
(3.4)遍历最小生成树T1，查找大于阈值V的所有边并将其断开，得到若干个子连通图。
(3.5)遍历各子连通图，得到子类，对应子种群，并对子种群编号保存。
(4)估计适应度函数并计算个体的选择概率。
遗传算法的过程为选择更优秀的基因，也就是适应度更高的数据，在实际过程中，可以采用精英策略，选择其中一小部分适应度较高的优秀基因不参与选择和交叉等遗传操作，直接进入下一代迭代，该策略能够有效保证算法的收敛性，又能减少数据处理量，能够提升遗传算法的效率。
(5)根据概率pc进行交叉操作。
(5.1)轮盘选择一个个体
Figure BDA0003029021460000051
记下该个体所属的子种群的编号i3，从子种群i3中选择一个适应度最高的个体
Figure BDA0003029021460000052
(5.2)选择与子种群i3距离最远的子种群j2，随机选择子种群j2中的一个个体y。
(5.3)个体
Figure BDA0003029021460000053
与
Figure BDA0003029021460000054
进行交叉操作产生的个体的集合为X。
交叉操作是产生新个体的主要操作之一，采用交叉操作能够表现出群体的多样性，增大遗传算法的搜索空间，本文采用的交叉算子为自适应算子：
Figure BDA0003029021460000055
其中，fc表示交叉操作两个个体中适应度较大的个体，fmax和favg分别表示当前种群中的最大适应度值以及平均适应度值。通过
Figure BDA0003029021460000056
两个概率参数进行交叉程度调整，其中，pc∈[6.000,9.9000]。
(5.4)选择个体
Figure BDA0003029021460000057
与
Figure BDA0003029021460000058
中，与个体y距离较远的个体，记为
Figure BDA0003029021460000059
个体
Figure BDA00030290214600000510
与个体y进行交叉操作产生的个体集合为Y。
(5.5)通过贪婪算法选择集合X和集合Y中适应度较大的前b个个体作为子代个体，加入当前种群。
(6)执行概率
Figure BDA00030290214600000511
的变异操作，针对每个个体以
Figure BDA00030290214600000512
的概率进行变异，变异首先随机选择某个基因位，然后产生随机数代替原基因，产生变异后子代，变异子代个体加入当前种群。
基因突变模拟人类遗传过程中发生的一些基因突变，可以增强群组的局部搜索能力，突然改变某些个体的适应度值，可以有效的增强个体的多样性，降低陷入局部极小值的风险，文中采用以下方式完成基因突变操作：
Figure BDA0003029021460000061
其中，g0是迭代第一轮，gmax是最大迭代轮数，g表示为当前遗传的迭代轮数，
Figure BDA0003029021460000062
为随机初始化的变异率，且
Figure BDA0003029021460000063
k为控制变异的参数。
(7)获得被感知网络上的安全数据和对应的网络安全态势值，判断步骤(6)得到的当前种群中适应度最高的个体对应的RBF网络是否满足精度要求。
(7.1)如满足精度要求，则跳到步骤(10)。
(7.2)用g对迭代计步，如不满足精度要求，则判断是否达到指定的迭代次数gmax。
(7.2.1)如达到指定的迭代次数，则跳到步骤(10)。
(7.2.2)如未达到指定的迭代次数，则执行步骤(8)。
(8)基于步骤(6)得到的当前种群，对最优个体进行混沌搜索。
在改进的基于交叉模型的遗传算法迭代优化中，为了不让迭代的优化陷入局部极小值，我们在迭代优化过程中采用基于混沌的搜索策略。混沌是一种非线性的现象，具有随机性和遍历性，在一定范围内可以通过混沌策略不进行重复搜索，因此可以作为遗传算法跳出局部最优解的一种方法。在本文的迭代优化中采用混沌搜索策略对每一代的最优个体进行T2次搜索，如果搜索到更优个体则进行取代，从而提高遗传算法的全局搜索能力。
本文的遗传算法搜索空间较小，所以采用一维Logistic映射混沌模型，可以表示为：
Zt+1＝μZt(1-Zt)
其中，t＝0～T2-1，μ表示控制参数，随机生成一个(h+m)维向量Z0，然后对初始值Z0进行T2次混沌迭代。在对遗传算法种群最优个体的迭代过程为：
Figure BDA0003029021460000064
Figure BDA0003029021460000065
其中，Xg是混沌搜索前第g次迭代时步骤(6)得到的当前种群的最优个体，
Figure BDA0003029021460000066
是第g次迭代时第t+1次混沌搜索后的新个体，α是混沌调节参数，可向待搜索个体的正反两个方向进行遍历，r是[0,1]区间内的随机数。
(9)找到搜索得到的T2个新个体中适应度最高的个体
Figure BDA0003029021460000067
如果
Figure BDA0003029021460000068
适应度高于Xg，则用
Figure BDA0003029021460000071
取代Xg，更新当前种群；否则不更新。
(10)跳到步骤(3)基于步骤(9)得到的当前种群继续进行迭代。
(11)确定最终的RBF网络模型。
(12)将待测网络安全数据输入步骤(11)的RBF网络模型中，输出网络安全态势预测值。

Claims (6)

1.一种基于迭代优化RBF神经网络的网络安全态势分析方法，其特征在于，包括以下步骤：
(1)基于资源分配网络确定最大的RBF神经网络隐含层神经元个数h。
(2)初始化种群M∈RN×(h+m)为：
Figure FDA0003029021450000011
其中，
Figure FDA0003029021450000012
为第i1个基函数宽度，
Figure FDA0003029021450000013
为某个隐含层神经元与第j1个输出层神经元之间的权重，m为输出层神经元个数，N为种群中个体数量。
(3)根据当前种群划分子种群。
(4)估计适应度函数。
(5)根据概率pc进行交叉操作。
(6)执行概率
Figure FDA0003029021450000014
的变异操作，针对每个个体以
Figure FDA0003029021450000015
的概率进行变异，变异子代个体加入当前种群；
Figure FDA0003029021450000016
表示第g次迭代个体变异的概率。
(7)获得被感知网络上的安全数据和对应的网络安全态势值，判断步骤(6)得到的当前种群中适应度最高的个体对应的RBF网络是否满足精度要求。
(7.1)如满足精度要求，则跳到步骤(10)。
(7.2)用g对迭代计步，如不满足精度要求，则判断是否达到指定的迭代次数gmax。
(7.2.1)如达到指定的迭代次数，则跳到步骤(10)。
(7.2.2)如未达到指定的迭代次数，则执行步骤(8)。
(8)基于步骤(6)得到的当前种群，对最优个体进行混沌搜索。在迭代优化过程中采用基于混沌的搜索策略，对每一代的最优个体进行T2次搜索。
(9)找到步骤(8)搜索得到的T2个新个体中适应度最高的个体
Figure FDA0003029021450000017
Xg是第g次迭代时步骤(6)得到的当前种群的最优个体。如果
Figure FDA0003029021450000018
适应度高于Xg，则用
Figure FDA0003029021450000019
取代Xg，更新当前种群；否则不更新。
(10)跳到步骤(3)基于步骤(9)得到的当前种群继续进行迭代。
(11)确定最终的RBF网络模型。
(12)将待测网络安全数据输入步骤(11)的RBF网络模型中，输出网络安全态势预测值。
2.如权利要求1所述基于迭代优化RBF神经网络的网络安全态势分析方法，其特征在于，步骤(3)包括以下子步骤：
(3.1)计算当前种群中任意两个个体间的欧氏距离，构建邻接矩阵D。
(3.2)利用普利姆算法求解邻接矩阵D的最小生成树T1。
(3.3)计算最小生成树T1的平均权值W，取阈值V为最小生成树T1中小于δ×W的最大权重；δ是权重，0＜δ＜1。
(3.4)遍历最小生成树T1，查找大于阈值V的所有边并将其断开，得到若干个子连通图。
(3.5)遍历各子连通图，得到子类，对应子种群，并对子种群编号保存。
3.如权利要求2所述基于迭代优化RBF神经网络的网络安全态势分析方法，其特征在于，步骤(5)包括以下子步骤：
(5.1)轮盘选择一个个体
Figure FDA0003029021450000021
记下该个体所属的子种群的编号i3，从子种群i3中选择一个适应度最高的个体
Figure FDA0003029021450000022
(5.2)选择与子种群i3距离最远的子种群j2，随机选择子种群j2中的一个个体y；
(5.3)个体
Figure FDA0003029021450000023
与
Figure FDA0003029021450000024
进行交叉操作产生的个体的集合为X；
(5.4)选择个体
Figure FDA0003029021450000025
与
Figure FDA0003029021450000026
中，与个体y距离较远的个体，记为
Figure FDA0003029021450000027
个体
Figure FDA00030290214500000210
与个体y进行交叉操作产生的个体集合为Y。
(5.5)通过贪婪算法选择集合X和集合Y中适应度较大的前b个个体作为子代个体，加入当前种群。
4.如权利要求3所述基于迭代优化RBF神经网络的网络安全态势分析方法，其特征在于，步骤(5.3)中，交叉操作采用的交叉算子为自适应算子：
Figure FDA0003029021450000028
其中，fc表示交叉操作两个个体中适应度较大的个体，fmax和favg分别表示当前种群中的最大适应度值以及平均适应度值。通过
Figure FDA0003029021450000029
两个参数进行交叉程度调整，其中，pc∈[6.000,9.9000]。
5.如权利要求3所述基于迭代优化RBF神经网络的网络安全态势分析方法，其特征在于，步骤(6)中，变异操作采用以下方式：
Figure FDA0003029021450000031
其中，g0是迭代第一轮，gmax是最大迭代轮数，g表示为当前遗传的迭代轮数，
Figure FDA0003029021450000032
为随机初始化的变异率，且
Figure FDA0003029021450000033
k为控制变异的参数。
6.如权利要求5所述基于迭代优化RBF神经网络的网络安全态势分析方法，其特征在于，步骤(8)采用一维Logistic映射混沌模型，可以表示为：
Zt+1＝μZt(1-Zt)
其中，t＝0～T2-1，μ表示控制参数，随机生成一个(h+m)维向量Z0，然后对初始值Z0进行T2次混沌迭代。在对遗传算法种群最优个体的迭代过程为：
Figure FDA0003029021450000034
Figure FDA0003029021450000035
其中，Xg是第g次迭代时步骤(6)得到的当前种群的最优个体，
Figure FDA0003029021450000036
是第g次迭代时第t+1次混沌搜索后的新个体，α是混沌调节参数，可向待搜索个体的正反两个方向进行遍历，r是[0,1]区间内的随机数。
CN202110425065.0A 2021-04-20 2021-04-20 基于迭代优化rbf神经网络的网络安全态势分析方法 Active CN113141272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110425065.0A CN113141272B (zh) 2021-04-20 2021-04-20 基于迭代优化rbf神经网络的网络安全态势分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110425065.0A CN113141272B (zh) 2021-04-20 2021-04-20 基于迭代优化rbf神经网络的网络安全态势分析方法

Publications (2)

Publication Number Publication Date
CN113141272A true CN113141272A (zh) 2021-07-20
CN113141272B CN113141272B (zh) 2022-03-15

Family

ID=76812840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110425065.0A Active CN113141272B (zh) 2021-04-20 2021-04-20 基于迭代优化rbf神经网络的网络安全态势分析方法

Country Status (1)

Country Link
CN (1) CN113141272B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116405355A (zh) * 2023-04-21 2023-07-07 重庆邮电大学 一种基于模式选择的信号解调方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978612A (zh) * 2015-01-27 2015-10-14 厦门大学 基于ahp-rbf的分布式大数据系统风险预测方法
CN106411896A (zh) * 2016-09-30 2017-02-15 重庆邮电大学 基于apde‑rbf神经网络的网络安全态势预测方法
CN106453293A (zh) * 2016-09-30 2017-02-22 重庆邮电大学 一种基于改进bpnn的网络安全态势预测方法
CN109816204A (zh) * 2018-12-25 2019-05-28 南京理工大学 一种基于ga-svm的地铁运营安全态势预测方法
CN111723523A (zh) * 2020-06-22 2020-09-29 中山大学 一种基于级联神经网络的河口余水位预测方法
CN111917785A (zh) * 2020-08-06 2020-11-10 重庆邮电大学 一种基于de-gwo-svr的工业互联网安全态势预测方法
CN112636874A (zh) * 2020-12-21 2021-04-09 西安理工大学 基于遗传优化支持向量机的混沌基带无线通信解码方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978612A (zh) * 2015-01-27 2015-10-14 厦门大学 基于ahp-rbf的分布式大数据系统风险预测方法
CN106411896A (zh) * 2016-09-30 2017-02-15 重庆邮电大学 基于apde‑rbf神经网络的网络安全态势预测方法
CN106453293A (zh) * 2016-09-30 2017-02-22 重庆邮电大学 一种基于改进bpnn的网络安全态势预测方法
CN109816204A (zh) * 2018-12-25 2019-05-28 南京理工大学 一种基于ga-svm的地铁运营安全态势预测方法
CN111723523A (zh) * 2020-06-22 2020-09-29 中山大学 一种基于级联神经网络的河口余水位预测方法
CN111917785A (zh) * 2020-08-06 2020-11-10 重庆邮电大学 一种基于de-gwo-svr的工业互联网安全态势预测方法
CN112636874A (zh) * 2020-12-21 2021-04-09 西安理工大学 基于遗传优化支持向量机的混沌基带无线通信解码方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李方伟: "基于APDE-RBF神经网络的网络安全态势预测方法", 《系统工程与电子技术》 *
杨洁: "基于PSO-RBF神经网络的海战场电磁态势预测", 《现代电子技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116405355A (zh) * 2023-04-21 2023-07-07 重庆邮电大学 一种基于模式选择的信号解调方法

Also Published As

Publication number Publication date
CN113141272B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
He et al. Many-objective evolutionary algorithms based on coordinated selection strategy
Higashi et al. Particle swarm optimization with Gaussian mutation
CN110930182A (zh) 基于改进粒子群优化算法的客户分类方法及装置
Liu et al. An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning
CN107563653B (zh) 一种多机器人全覆盖任务分配方法
CN104866904A (zh) 一种基于spark的遗传算法优化的BP神经网络并行化方法
JP2002230514A (ja) 進化的最適化方法
CN112684700A (zh) 一种群体机器人的多目标搜索与围捕控制方法及系统
CN112270398B (zh) 一种基于基因编程的集群行为学习方法
CN113141272B (zh) 基于迭代优化rbf神经网络的网络安全态势分析方法
Ghosh et al. Non-dominated rank based sorting genetic algorithms
CN111260062A (zh) 基于自适应遗传算法的矩形件优化排样方法
Kim et al. A modified genetic algorithm for fast training neural networks
CN112216341B (zh) 一种群体行为逻辑优化方法及计算机可读存储介质
CN115963731A (zh) 一种基于改进遗传算法的指挥控制体系网络结构优化方法
CN111352650A (zh) 一种基于insga-ii的软件模块化多目标优化方法及系统
CN109492744A (zh) 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法
Saraçoglu et al. Developing an adaptation process for real-coded genetic algorithms
Sivaraj et al. An efficient grouping genetic algorithm
Girsang et al. Robust adaptive genetic K-means algorithm using greedy selection for clustering
Acharya et al. Biclustering of microarray data employing multiobjective ga
CN111813669A (zh) 基于多目标群体智能的适应性随机测试用例生成方法
CN114510876B (zh) 基于共生搜索生物地理学优化的多平台武器目标分配方法
Etaner-Uyar et al. Preserving diversity through diploidy and meiosis for improved genetic algorithm performance in dynamic environments
CN113705858B (zh) 多目标区域的最短路径规划方法、系统、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant