10.3969/j.issn.1000-386x.2014.07.076
蝙蝠算法联合选择特征和分类器参数的入侵检测
针对入侵检测的特征和分类器参数选择问题,采用极限学习机ELM(extreme learning machine)进行构建分类器,提出一种蝙蝠算法(BA)联合选择特征和分类器参数的网络入侵检测模型(BA-ELM).首先将特征子集和极限学习机参数编码成蝙蝠个体,以入侵检测准确率和特征数加权组成个体适应度函数;然后通过个体和群体更新的规则引导蝙蝠向最优解飞行,从而找到最优的子特征集和极限学习机参数;最后建立最优的入侵检测模型,并通KDD CUP 99数据集进行仿真性能分析.结果表明,BA-ELM较好地解决了入侵检测特征选择与分类器参数不匹配难题,提高了网络入侵检测率和检测效率,更加适合于网络入侵检测的实时要求.
特征选择、分类器参数、极限学习机、蝙蝠算法
31
TP393(计算技术、计算机技术)
2014-09-28（万方平台首次上网日期，不代表论文的发表时间）
共4页
294-296,306
