基于蝙蝠算法优化RELM的网络入侵检测

• 作者: 刘思奇
• 来源期刊: 现代科学仪器
• 学科: 工学
• 关键词: 蝙蝠算法 正则化极限学习机 粒子群算法 入侵检测 神经网络
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 分析测试技术和方法
• 页码范围: 32-35
• 页数: 4页
• 分类号: TP391.1
• 字数: 2868字
• 语种: 中文

摘要

为提高网络入侵检测的准确率,针对正则化极限学习机(Regularized Extreme Learning Machine,RELM)的性能受隐含层节点数L和正则化因子 λ 的参数选择影响,提出一种基于蝙蝠算法优化正则化极限学习机的网络入侵检测方法.运用蝙蝠算法优化RELM模型的隐含层节点数L和正则化因子 λ,实现RELM模型参数的自适应选择.选择KDD CUP99数据为研究对象,与PSO-RELM和RELM相比,研究结果表明,BA-RELM的网络入侵检测准确率最高,可以有效提高网络入侵检测的准确率,为网络入侵检测提供新的方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘思奇		3	2	1.0	1.0