CN117574213B - 一种基于apso-cnn的网络流量分类方法 - Google Patents

一种基于apso-cnn的网络流量分类方法 Download PDF

Info

Publication number
CN117574213B
CN117574213B CN202410052902.3A CN202410052902A CN117574213B CN 117574213 B CN117574213 B CN 117574213B CN 202410052902 A CN202410052902 A CN 202410052902A CN 117574213 B CN117574213 B CN 117574213B
Authority
CN
China
Prior art keywords
particles
cnn
optimal
apso
particle
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.)
Active
Application number
CN202410052902.3A
Other languages
English (en)
Other versions
CN117574213A (zh
Inventor
郭永安
严立兴
佘昊
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202410052902.3A priority Critical patent/CN117574213B/zh
Publication of CN117574213A publication Critical patent/CN117574213A/zh
Application granted granted Critical
Publication of CN117574213B publication Critical patent/CN117574213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于APSO‑CNN的网络流量分类方法，APSO算法能够避免随机设置初始速度对粒子优化的不利影响，加快收敛速度，更容易获得全局优化。本发明利用APSO算法训练模型及优化神经网络的超参数，找到合适的超参数，避免手动调整超参数寻找适合任务模型的高人工成本，提高模型输出的准确率，以及神经网络的训练速度和效果。此外，利用APSO算法训练CNN模型在解决高维度、非凸性等问题时具有较好的优化能力，有利于跳出局部最优解，加快收敛速度。

Description

一种基于APSO-CNN的网络流量分类方法
技术领域
本发明属于网络流量分类技术领域，具体涉及一种基于APSO-CNN的网络流量分类方法。
背景技术
卷积神经网络作为一种强大的模型，已经在图像识别、图像分类、目标检测等任务中取得了显著的成果。为了提高CNN模型的性能和训练效率，许多优化算法被提出和应用。然而，它们在处理复杂的非凸优化问题时存在易陷入局部最优解、收敛速度较慢等问题。
粒子群优化算法（PSO）模拟了鸟群或鱼群等群体在搜索空间中寻找最优解的行为。其主要特点是简单、易于实现，且不依赖问题的梯度信息，具有全局搜索能力，能够在复杂的搜索空间中找到较好的解，尤其在连续优化问题中表现出色。然而，由于PSO算法对问题的解空间没有显式的建模，所以它在处理高维、非凸优化问题时也可能陷入局部最优解。
尽管传统的网络流量分类方法取得了一些成果，但随着网络流量数据集规模的增大和数据复杂性的增加，传统的网络流量分类方法在处理高维复杂数据或大规模数据时面临着模型参数的选择以及对大规模数据的扩展性问题，导致网络流量分类准确性不够高。
发明内容
发明目的：本发明的意图是解决高维复杂时序数据的分类和手动调整模型超参数的高人工成本的技术问题，由此，本发明提出一种基于APSO-CNN的网络流量分类方法。
技术方案：本发明提出一种基于APSO-CNN的网络流量分类方法，该方法步骤包括以下步骤：
（1）采集网络流量数据，利用主成分分析法将网络流量数据进行降维，以张量的形式表示，并将网络流量数据集平均分为两部分，前一部分数据集包含网络流量数据及其相应的分类标签，后一部分数据集只包含网络流量数据，无需包含对应分类标签，将前一部分数据集输入到未经过训练的CNN模型中用于训练，以得到适用于网络流量分类的最优CNN模型；
（2）将CNN模型的超参数进行编码和初始化，利用二进制编码作为粒子的位置，认知参数的加速度系数和社会参数的加速度系数/>都被初始化；将CNN模型的交叉熵函数值设置为粒子的适应度函数值，并计算出所有粒子的适应度函数值，选择适应度函数值最小的粒子为全局最优粒子；
（3）计算全局最优粒子与其最近邻粒子之间的距离，比较所有粒子中的最大和最小距离/>和/>，通过欧几里得度量方法计算第/>个粒子到所有其它粒子之间的平均距离，以此计算进化因子/>，根据进化因子/>的值采用模糊分类，划分出四个状态：探索状态、开发状态/>、收敛状态/>和跳出状态/>；
（4）设置认知参数的加速度系数和社会参数的加速度系数/>的边界，并根据步骤（3）中的四个状态自适应调整/>和/>的值；
（5）利用以下公式更新惯性权重；
其中，表示当前粒子的适应度函数值，/>表示当前种群的平均适应度函数值，/>表示全局最优粒子的适应度函数值，/>分别表示最大惯性权重和最小惯性权重；
（6）根据APSO算法规则更新粒子位置与速度，速度更新公式为：
位置更新公式为：
其中，
表示速度参数；
表示位置参数；
表示第/>次迭代中第/>个粒子速度的第/>个分量，/>表示第/>次迭代中第/>个粒子位置的第/>个分量，/>表示粒子群的维数，/>和/>表示在区间[0，1]内服从均匀分布的两个随机数，/>表示当前粒子遇到的最佳位置，/>表示整个粒子群遇到的最佳位置；
（7）重复步骤（2）-（6），直到达到收敛条件，判断收敛条件为当达到最大迭代次数时，判定为收敛并结束训练过程；
（8）跟踪全局最优适应度函数值以及其对应的模型超参数，选择使适应度函数值最小的粒子对应的超参数，将其视为全局最优解，并将其作为APSO-CNN模型的最优超参数，对应的模型代表最优CNN模型；
（9）将后一部分数据集输入到最优CNN模型中，并将输出的矩阵送入softmax函数，以获取网络流量数据所属类别的概率分布，概率最高的类别即被确定为该网络流量数据所归为的类别，以实现网络流量分类。
进一步的，步骤（2）的具体方法为：
随机选取一组粒子作为粒子群的初始位置和速度，并将其所处位置作为历史最优位置，其中，初始速度采用随机数，将和/>初始化，即/>，最大惯性权重和最小惯性权重分别设置为/>，将CNN在第一个训练周期的交叉熵函数值设置为粒子的适应度函数值。
进一步的，步骤（3）中，计算第个粒子到所有其它粒子之间的平均距离为：
其中，表示粒子群大小，进化因子/>，根据进化因子/>的值划分探索/>、开发/>、收敛/>和跳出/>这四个状态，采用模糊分类将四种状态赋予模糊隶属函数，其分类数值公式如下：
（1）探索状态：
（2）开发状态：
（3）收敛状态：
（4）跳出状态：。
进一步的，步骤（4）的具体方法为：
为和/>设置边界：/>，其中，/>表示当前迭代次数，表示第/>次迭代时的/>值，/>表示加速度，/>，若/>和/>之和大于4.0，则将其归一化，归一化公式为：/>，根据步骤（3）状态分类的结果分别对加速度系数/>和/>进行自适应调整，根据分类状态的不同，共有四种不同的策略，当处于探索状态时，/>增大0.05，/>减小0.05；当处于开发状态时，/>增大0.005，/>减小0.005；当处于收敛状态时，/>和/>增大0.005；当处于跳出状态时，/>减小0.05，/>增大0.05。
进一步的，。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明提出了一种基于APSO-CNN的网络流量分类方法，避免了手动调整超参数寻找适合任务模型的高人工成本，提高了模型输出的准确率以及泛化能力。通过利用APSO算法对超参数进行优化，可以找到更优的权重和偏差配置，从而提高CNN模型的训练速度，以节省时间和计算资源，使得模型的迭代和优化更加高效。
附图说明
图1为本发明中CNN模型卷积过程示意图；
图2为本发明中四种状态的模糊隶属函数示意图；
图3为本发明的整体流程图。
具体实施方式
如图3所示，本发明提出一种基于APSO-CNN的网络流量分类方法，该方法步骤包括以下步骤：
（1）采集网络流量数据，利用主成分分析法将网络流量数据进行降维，以张量的形式表示，并将网络流量数据集平均分为两部分，前一部分数据集包含网络流量数据及其相应的分类标签，后一部分数据集只包含网络流量数据，无需包含对应分类标签，将前一部分数据集输入到未经过训练的CNN模型中用于训练，以得到适用于网络流量分类的最优CNN模型；图1为本发明中CNN模型卷积过程示意图；
（2）将CNN模型的超参数进行编码和初始化，利用二进制编码作为粒子的位置，认知参数的加速度系数和社会参数的加速度系数/>都被初始化；将CNN模型的交叉熵函数值设置为粒子的适应度函数值，并计算出所有粒子的适应度函数值，选择适应度函数值最小的粒子为全局最优粒子；
（3）计算全局最优粒子与其最近邻粒子之间的距离，比较所有粒子中的最大和最小距离/>和/>，通过欧几里得度量方法计算第/>个粒子到所有其它粒子之间的平均距离，以此计算进化因子/>，根据进化因子/>的值采用模糊分类，划分出四个状态：探索状态、开发状态/>、收敛状态/>和跳出状态/>；图2为本发明中四种状态的模糊隶属函数示意图；
（4）设置认知参数的加速度系数和社会参数的加速度系数/>的边界，并根据步骤（3）中的四个状态自适应调整/>和/>的值；
（5）利用以下公式更新惯性权重；
其中，表示当前粒子的适应度函数值，/>表示当前种群的平均适应度函数值，/>表示全局最优粒子的适应度函数值，/>分别表示最大惯性权重和最小惯性权重；
（6）根据APSO算法规则更新粒子位置与速度，速度更新公式为：
位置更新公式为：
其中，
表示速度参数；
表示位置参数；
表示第/>次迭代中第/>个粒子速度的第/>个分量，/>表示第/>次迭代中第/>个粒子位置的第/>个分量，/>表示粒子群的维数，/>和/>表示在区间[0，1]内服从均匀分布的两个随机数，/>表示当前粒子遇到的最佳位置，/>表示整个粒子群遇到的最佳位置；
（7）重复步骤（2）-（6），直到达到收敛条件，判断收敛条件为当达到最大迭代次数时，判定为收敛并结束训练过程；
（8）跟踪全局最优适应度函数值以及其对应的模型超参数，选择使适应度函数值最小的粒子对应的超参数，将其视为全局最优解，并将其作为APSO-CNN模型的最优超参数，对应的模型代表最优CNN模型；
（9）将后一部分数据集输入到最优CNN模型中，并将输出的矩阵送入softmax函数，以获取网络流量数据所属类别的概率分布，概率最高的类别即被确定为该网络流量数据所归为的类别，以实现网络流量分类。
进一步的，步骤（2）的具体方法为：
随机选取一组粒子作为粒子群的初始位置和速度，并将其所处位置作为历史最优位置，其中，初始速度采用随机数，将和/>初始化，即/>，最大惯性权重和最小惯性权重分别设置为/>，将CNN在第一个训练周期的交叉熵函数值设置为粒子的适应度函数值。
进一步的，步骤（3）中，计算第个粒子到所有其它粒子之间的平均距离为：
其中，表示粒子群大小，进化因子/>，根据进化因子/>的值划分探索/>、开发/>、收敛/>和跳出/>这四个状态，采用模糊分类将四种状态赋予模糊隶属函数，其分类数值公式如下：
（1）探索状态：
（2）开发状态：
（3）收敛状态：
（4）跳出状态：。
进一步的，步骤（4）的具体方法为：
为和/>设置边界：/>，其中，/>表示当前迭代次数，表示第/>次迭代时的/>值，/>表示加速度，/>，若/>和/>之和大于4.0，则将其归一化，归一化公式为：/>，根据步骤（3）状态分类的结果分别对加速度系数/>和/>进行自适应调整，根据分类状态的不同，共有四种不同的策略，当处于探索状态时，/>增大0.05，/>减小0.05；当处于开发状态时，/>增大0.005，/>减小0.005；当处于收敛状态时，/>和/>增大0.005；当处于跳出状态时，/>减小0.05，/>增大0.05。
进一步的，。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于APSO-CNN的网络流量分类方法，其特征在于，该方法步骤包括以下步骤：
（1）采集网络流量数据，利用主成分分析法将网络流量数据进行降维，以张量的形式表示，并将网络流量数据集平均分为两部分，前一部分数据集包含网络流量数据及其相应的分类标签，后一部分数据集只包含网络流量数据，无需包含对应分类标签，将前一部分数据集输入到未经过训练的CNN模型中用于训练，以得到适用于网络流量分类的最优CNN模型；
（2）将CNN模型的超参数进行编码和初始化，利用二进制编码作为粒子的位置，认知参数的加速度系数 和社会参数的加速度系数/>都被初始化；将CNN模型的交叉熵函数值设置为粒子的适应度函数值，并计算出所有粒子的适应度函数值，选择适应度函数值最小的粒子为全局最优粒子；
（3）计算全局最优粒子与其最近邻粒子之间的距离，比较所有粒子中的最大和最小距离/>和/>，通过欧几里得度量方法计算第/>个粒子到所有其它粒子之间的平均距离，以此计算进化因子/>，根据进化因子/>的值采用模糊分类，划分出四个状态：探索状态/>、开发状态/>、收敛状态/>和跳出状态/>；
（4）设置认知参数的加速度系数和社会参数的加速度系数/>的边界，并根据步骤（3）中的四个状态自适应调整/>和/>的值；
（5）利用以下公式更新惯性权重；
其中，表示当前粒子的适应度函数值，/>表示当前种群的平均适应度函数值，/>表示全局最优粒子的适应度函数值，/>分别表示最大惯性权重和最小惯性权重；
（6）根据APSO算法规则更新粒子位置与速度，速度更新公式为：
位置更新公式为：
其中，
表示速度参数；
表示位置参数；
表示第/>次迭代中第/>个粒子速度的第/>个分量，/>表示第/>次迭代中第/>个粒子位置的第/>个分量，/>表示粒子群的维数，/>和/>表示在区间[0，1]内服从均匀分布的两个随机数，/>表示当前粒子遇到的最佳位置，/>表示整个粒子群遇到的最佳位置；
（7）重复步骤（2）-（6），直到达到收敛条件，判断收敛条件为当达到最大迭代次数时，判定为收敛并结束训练过程；
（8）跟踪全局最优适应度函数值以及其对应的模型超参数，选择使适应度函数值最小的粒子对应的超参数，将其视为全局最优解，并将其作为APSO-CNN模型的最优超参数，对应的模型代表最优CNN模型；
（9）将后一部分数据集输入到最优CNN模型中，并将输出的矩阵送入softmax函数，以获取网络流量数据所属类别的概率分布，概率最高的类别即被确定为该网络流量数据所归为的类别，以实现网络流量分类。
2.根据权利要求1所述的一种基于APSO-CNN的网络流量分类方法，其特征在于，步骤（2）的具体方法为：随机选取一组粒子作为粒子群的初始位置和速度，并将其所处位置作为历史最优位置，其中，初始速度采用随机数，将和/>初始化，即/>，最大惯性权重和最小惯性权重分别设置为/>，将CNN在第一个训练周期的交叉熵函数值设置为粒子的适应度函数值。
3.根据权利要求2所述的一种基于APSO-CNN的网络流量分类方法，其特征在于，步骤（3）中，计算第个粒子到所有其它粒子之间的平均距离为：
其中，/>表示粒子群大小，进化因子，根据进化因子/>的值划分探索/>、开发/>、收敛/>和跳出/>这四个状态，采用模糊分类将四种状态赋予模糊隶属函数，其分类数值公式如下：
（1）探索状态：（2）开发状态：（3）收敛状态：（4）跳出状态：。
4.根据权利要求3所述的一种基于APSO-CNN的网络流量分类方法，其特征在于，步骤（4）的具体方法为：为和/>设置边界：/>，其中，/>表示当前迭代次数，/>表示第/>次迭代时的/>值，/>表示加速度，/>，若/>和/>之和大于4.0，则将其归一化，归一化公式为：/>，根据步骤（3）状态分类的结果分别对加速度系数/>和/>进行自适应调整，根据分类状态的不同，共有四种不同的策略，当处于探索状态时，/>增大0.05，/>减小0.05；当处于开发状态时，/>增大0.005，/>减小0.005；当处于收敛状态时，/>和/>增大0.005；当处于跳出状态时，/>减小0.05，/>增大0.05。
5.根据权利要求4所述的一种基于APSO-CNN的网络流量分类方法，其特征在于，。
CN202410052902.3A 2024-01-15 2024-01-15 一种基于apso-cnn的网络流量分类方法 Active CN117574213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410052902.3A CN117574213B (zh) 2024-01-15 2024-01-15 一种基于apso-cnn的网络流量分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410052902.3A CN117574213B (zh) 2024-01-15 2024-01-15 一种基于apso-cnn的网络流量分类方法

Publications (2)

Publication Number Publication Date
CN117574213A CN117574213A (zh) 2024-02-20
CN117574213B true CN117574213B (zh) 2024-03-29

Family

ID=89892165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410052902.3A Active CN117574213B (zh) 2024-01-15 2024-01-15 一种基于apso-cnn的网络流量分类方法

Country Status (1)

Country Link
CN (1) CN117574213B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894090A (zh) * 2016-04-22 2016-08-24 大连海事大学 一种基于自适应变异粒子群优化的潮汐智能实时预报方法
CN108694390A (zh) * 2018-05-15 2018-10-23 南京邮电大学 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法
CN109190270A (zh) * 2018-09-12 2019-01-11 北京化工大学 一种基于apso-bp的双配重盘自动平衡控制方法
CN109919374A (zh) * 2019-03-01 2019-06-21 杭州电子科技大学 基于apso-bp神经网络的股票价格预测方法
CN110708318A (zh) * 2019-10-10 2020-01-17 国网湖北省电力有限公司电力科学研究院 基于改进的径向基神经网络算法的网络异常流量预测方法
CN110909802A (zh) * 2019-11-26 2020-03-24 西安邮电大学 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN113627606A (zh) * 2020-05-06 2021-11-09 江苏科技大学 一种基于改进粒子群算法的rbf神经网络优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894090A (zh) * 2016-04-22 2016-08-24 大连海事大学 一种基于自适应变异粒子群优化的潮汐智能实时预报方法
CN108694390A (zh) * 2018-05-15 2018-10-23 南京邮电大学 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法
CN109190270A (zh) * 2018-09-12 2019-01-11 北京化工大学 一种基于apso-bp的双配重盘自动平衡控制方法
CN109919374A (zh) * 2019-03-01 2019-06-21 杭州电子科技大学 基于apso-bp神经网络的股票价格预测方法
CN110708318A (zh) * 2019-10-10 2020-01-17 国网湖北省电力有限公司电力科学研究院 基于改进的径向基神经网络算法的网络异常流量预测方法
CN110909802A (zh) * 2019-11-26 2020-03-24 西安邮电大学 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN113627606A (zh) * 2020-05-06 2021-11-09 江苏科技大学 一种基于改进粒子群算法的rbf神经网络优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A novel hybrid optimization enabled robust CNN algorithm for an IoT network intrusion detection approach;Ahmed Bahaa等;《PLoS ONE》;20221201;全文 *
基于量子自适应粒子群优化径向基函数神经网络的网络流量预测;郭通;兰巨龙;李玉峰;江逸茗;;电子与信息学报;20130915(第09期);全文 *

Also Published As

Publication number Publication date
CN117574213A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN111988329B (zh) 一种基于深度学习的网络入侵检测方法
CN113850281A (zh) 一种基于meanshift优化的数据处理方法和装置
WO2023279674A1 (en) Memory-augmented graph convolutional neural networks
CN115358305A (zh) 一种基于边界样本迭代生成的增量学习鲁棒性提升方法
CN110852344A (zh) 一种基于智能变电站网络故障分类的方法
CN111275074A (zh) 基于栈式自编码网络模型的电力cps信息攻击辨识方法
CN112990371B (zh) 一种基于特征扩增的无监督夜间图像分类方法
CN117574213B (zh) 一种基于apso-cnn的网络流量分类方法
Irfan et al. Optimization of information retrieval using evolutionary computation: A survey
CN116051924B (zh) 一种图像对抗样本的分治防御方法
Ouadfel et al. A fully adaptive and hybrid method for image segmentation using multilevel thresholding
CN113985831B (zh) 一种工业控制系统状态机构建方法
CN115795035A (zh) 基于进化神经网络的科技服务资源分类方法、系统及其计算机可读存储介质
Shih et al. Evolutionary optimization on k-nearest neighbors classifier for imbalanced datasets
Li et al. Fuzzy c-Means with improved particle swarm optimization
Liu et al. A novel hybrid model for image classification
CN112990285A (zh) 一种面向大规模图结构的简化攻击方法
CN115412332B (zh) 基于混合神经网络模型优化的物联网入侵检测系统及方法
CN113947259B (zh) 一种基于gru神经网络的不同风格驾驶员车速预测方法
Zhai et al. Multi-swarm genetic gray wolf optimizer with embedded autoencoders for high-dimensional expensive problems
CN113837347A (zh) 一种改进的群居蜘蛛优化算法
Wang et al. Research Article A New Chaotic Starling Particle Swarm Optimization Algorithm for Clustering Problems
Dias et al. On optimizing deep convolutional neural networks by evolutionary computing
Chen et al. A Kernel Fuzzy Classifier with KFCMC and GA
Davarynejad et al. Fuzzy Surrogates in Fitness Function Approximation for Evolutionary Structure Design

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