改進(jìn)差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)用于入侵檢測

針對工業(yè)控制系統(tǒng)入侵檢測模型對各類攻擊的檢測率和檢測效率不高的問題,提出一種adaboost算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的入侵檢測模型.首先利用主成分分析法對原始數(shù)據(jù)集進(jìn)行預(yù)處理,消除其相關(guān)性；其次利用adaboost算法對訓(xùn)練樣本的權(quán)重進(jìn)行不斷調(diào)整,從而獲得bp神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)重和閾值；最后再通過adaboost算法將bp弱分類器組合成bp強(qiáng)分類器,從而實(shí)現(xiàn)工業(yè)控制系統(tǒng)的異常檢測.實(shí)驗(yàn)結(jié)果表明該方法在對各攻擊類型的檢測率和測試時間明顯優(yōu)于其他算法模型.

針對傳統(tǒng)方法單獨(dú)采用bp神經(jīng)網(wǎng)絡(luò)算法易陷入局部極值的問題,提出了遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò),并將其應(yīng)用于mimo-ofdm系統(tǒng)信號檢測中。該方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合,用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始值,使bp網(wǎng)絡(luò)快速收斂到最優(yōu)解,避免了由初始值的隨機(jī)選取而帶來的檢測誤碼。仿真結(jié)果表明所提出的方法在誤碼率方面有比較好的性能。

提出一種采用bp神經(jīng)網(wǎng)絡(luò)算法來預(yù)測深基坑沉降的方法,結(jié)合具體工程實(shí)例,構(gòu)建了預(yù)測深基坑周邊地表沉降具體bp神經(jīng)網(wǎng)絡(luò)模型,預(yù)測結(jié)果表明,該模型有較高的預(yù)測精度,可作為預(yù)測沉降的一種新方法。

考慮到常規(guī)bp神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)解,所建立的網(wǎng)絡(luò)遺傳流量檢測模型檢測效率低,準(zhǔn)確率不高等問題,提出一種改進(jìn)型ga優(yōu)化bp神經(jīng)網(wǎng)絡(luò)算法,并使用其建立網(wǎng)絡(luò)遺傳流量檢測模型。常規(guī)遺傳算法在搜索過程中,往往會由于出現(xiàn)影響生產(chǎn)適應(yīng)度高的個體而對遺傳算法搜索過程產(chǎn)生影響的現(xiàn)象發(fā)生,因此需要對常規(guī)遺傳算法進(jìn)行改進(jìn)。使用的方法是通過混合編碼方式進(jìn)行改進(jìn),同時對交叉算子、變異算子、交叉概率以及變異概率等參數(shù)進(jìn)行優(yōu)化修正。使用kddcup99數(shù)據(jù)庫中的網(wǎng)絡(luò)異常流量數(shù)據(jù)進(jìn)行實(shí)驗(yàn)研究,研究結(jié)果表明,所提出方法的檢測性能要明顯優(yōu)于常規(guī)算法,其對bp神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值以及閾值進(jìn)行同步優(yōu)化,避免了盲目選擇bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)帶來的問題,避免了常規(guī)bp神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的問題。

針對bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的訓(xùn)練時間較長、完全不能訓(xùn)練或容易陷入局部極小值等問題,提出基于遺傳克隆選擇算法(cloga)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的流程,克服bp算法的一些缺陷。并通過湖北省人口預(yù)測問題進(jìn)行效果檢驗(yàn),得到滿意的結(jié)果。

優(yōu)化電解碲電源對電解行業(yè)節(jié)能增效、提高電解產(chǎn)品質(zhì)量和改善電網(wǎng)環(huán)境具有重要意義.電源前級采用三相電壓型pwm整流器；在建立pwm整流器數(shù)學(xué)模型的基礎(chǔ)上；通過改進(jìn)雙閉環(huán)pi控制策略；即外環(huán)基于并行搜索全局尋優(yōu)的遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的智能控制方法；分析網(wǎng)側(cè)電流波形和諧波含量；可得到所需的額定電解電壓和電流；以matlab/simulink軟件為平臺進(jìn)行仿真計(jì)算.結(jié)果表明:ga-bp(geneticalgorithm-backpropagation)算法具有輸出電壓平穩(wěn)、響應(yīng)速度快、超調(diào)量小、抗干擾性強(qiáng)等優(yōu)點(diǎn).

針對標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)中收斂速度慢以及易陷入局部最優(yōu)解等問題,利用粒子群算法的全局搜索性,將粒子群算法應(yīng)用到bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練中建立了pso-bp神經(jīng)網(wǎng)絡(luò)模型,結(jié)果表明改進(jìn)模型不僅可以克服傳統(tǒng)bp網(wǎng)絡(luò)收斂速度慢和易陷入局部權(quán)值的局限問題,而且很大程度地提高了結(jié)果精度和bp網(wǎng)絡(luò)學(xué)習(xí)能力,將此模型應(yīng)用到結(jié)晶器漏鋼預(yù)報(bào)系統(tǒng)中,并用某鋼廠采集到的歷史數(shù)據(jù)對該模型進(jìn)行訓(xùn)練與測試,與標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)測試結(jié)果進(jìn)行分析與比較,實(shí)驗(yàn)表明pso-bp網(wǎng)絡(luò)模型預(yù)報(bào)更加實(shí)時、準(zhǔn)確,具有很好的應(yīng)用前景。

隨著云計(jì)算的發(fā)展和應(yīng)用范圍的不斷擴(kuò)大，云環(huán)境下的安全和隱私問題日益突出。傳統(tǒng)的入侵檢測系統(tǒng)已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足當(dāng)今海量數(shù)據(jù)的要求，建立云環(huán)境下高效的入侵檢測系統(tǒng)已經(jīng)成為入侵檢測領(lǐng)域的重要研究方向?；谠朴?jì)算提供的超大規(guī)模的計(jì)算能力和海量存儲能力，提出了一種基于云環(huán)境的入侵檢測系統(tǒng)，系統(tǒng)能夠?qū)Ａ咳肭謾z測數(shù)據(jù)學(xué)習(xí)，實(shí)時檢測，在入侵檢測的效率和精度上比傳統(tǒng)的入侵檢測系統(tǒng)有所提高。

為提高網(wǎng)絡(luò)入侵檢測的檢測效果,提出了一種基于改進(jìn)d-s證據(jù)理論的信息融合網(wǎng)絡(luò)入侵檢測方法。該方法首先采用支持向量機(jī)(supportvectormachine,svm)統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法分別對基于主機(jī)和基于網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行訓(xùn)練;然后針對d-s證據(jù)理論無法解決證據(jù)之間沖突問題,從合成規(guī)則著手,提出一種改進(jìn)的d-s證據(jù)理論;最后采用改進(jìn)的d-s證據(jù)理論對svm的訓(xùn)練結(jié)果進(jìn)行融合,兼顧了兩類檢測結(jié)果的優(yōu)勢,提高了網(wǎng)絡(luò)入侵檢測的性能。仿真結(jié)果表明,與單一的入侵檢測策略相比,該方法能有效提高網(wǎng)絡(luò)入侵檢測的準(zhǔn)確率,降低漏報(bào)率,提高了網(wǎng)絡(luò)入侵檢測的整體性能。

采用催化傳感器和電化學(xué)式氣體傳感器配合使用的傳感器陣列.為了解決2種傳感器對礦井co和ch4氣體的交叉敏感問題,提出了一種基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的礦井co檢測方法.通過matlab仿真可以看出,基于神經(jīng)網(wǎng)絡(luò)的傳感器陣列方法可以明顯提高co檢測精度.實(shí)際輸出值和期望輸出的絕對誤差平均值為3.43ppm,相對誤差平均值為1.43％.

采用催化傳感器和電化學(xué)式氣體傳感器配合使用的傳感器陣列。為了解決2種傳感器對礦井co和ch4氣體的交叉敏感問題,提出了一種基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的礦井co檢測方法。通過matlab仿真可以看出,基于神經(jīng)網(wǎng)絡(luò)的傳感器陣列方法可以明顯提高co檢測精度。實(shí)際輸出值和期望輸出的絕對誤差平均值為3.43ppm,相對誤差平均值為1.43%。

為了有效解決網(wǎng)絡(luò)系統(tǒng)可能出現(xiàn)的故障,結(jié)合模糊神經(jīng)網(wǎng)絡(luò)提出了一種新的故障檢測算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).該算法根據(jù)特征信息熵建立了故障檢測評價(jià)方法和最小偏差的優(yōu)化模型,設(shè)計(jì)了模糊神經(jīng)網(wǎng)絡(luò)中輸入層、模糊化層、模糊規(guī)則層和解模糊層,并且給出了具體的算法流程.通過建立網(wǎng)絡(luò)仿真平臺,深入分析了影響fdd-fnn算法的關(guān)鍵因素,同時對比研究了fdd-fnn算法與其他算法的性能情況,結(jié)果表明fdd-fnn算法具有較好的適應(yīng)性.

在對某基坑工程采用bp神經(jīng)網(wǎng)絡(luò)模型預(yù)測基坑開挖引起地表變形的分析中,考慮到現(xiàn)有模型可能會遇到預(yù)測結(jié)果跳不出訓(xùn)練樣本以及訓(xùn)練時間較長的問題,提出采用matlab中的mapminmax函數(shù)進(jìn)行歸一化處理,并基于牛頓法、共軛梯度法和l-m法三種數(shù)值優(yōu)化方法對bp網(wǎng)絡(luò)訓(xùn)練算法進(jìn)行了改進(jìn).研究結(jié)果表明:與常用的基于梯度下降原則相比,改進(jìn)后的bp神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時間和預(yù)測誤差方面均有明顯的優(yōu)勢,采用l-m法的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本時的迭代次數(shù)最少為74次,采用共軛梯度法的預(yù)測結(jié)果與實(shí)測結(jié)果的誤差最大為2.4％,而采用牛頓法神經(jīng)網(wǎng)絡(luò)的預(yù)測值則比較均衡,預(yù)測結(jié)果相對最佳.

神經(jīng)網(wǎng)絡(luò)模型是一種非常有效的數(shù)據(jù)處理工具,但是存在結(jié)構(gòu)確定困難的缺點(diǎn).針對神經(jīng)網(wǎng)絡(luò)算法的這種缺點(diǎn),提出了變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型.此模型增加了神經(jīng)網(wǎng)絡(luò)隱節(jié)點(diǎn)的決策變量,并對此決策變量進(jìn)行松弛.在采用bp梯度算法確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的同時,確定網(wǎng)絡(luò)參數(shù).由于電纜的狀態(tài)監(jiān)測是時序數(shù)據(jù),將此模型應(yīng)用于電纜的狀態(tài)監(jiān)測過程中,能體現(xiàn)出較好的適應(yīng)性.

bp神經(jīng)網(wǎng)絡(luò)是分析處理復(fù)雜非線性問題的一種有效方法,是目前廣泛應(yīng)用的一種神經(jīng)網(wǎng)絡(luò),已被逐漸應(yīng)用于對宏觀經(jīng)濟(jì)問題的研究中。本文有機(jī)地整合了計(jì)量經(jīng)濟(jì)學(xué)與bp神經(jīng)網(wǎng)絡(luò),建立了基于因果關(guān)系理論來確定bp網(wǎng)絡(luò)的輸入變量,基于協(xié)整理論來分析bp網(wǎng)絡(luò)系統(tǒng)的可靠性,基于學(xué)習(xí)率可變的動量bp算法的用于研究經(jīng)濟(jì)領(lǐng)域問題的改進(jìn)bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型,加強(qiáng)了網(wǎng)絡(luò)模型的理論基礎(chǔ),提高了網(wǎng)絡(luò)模型的質(zhì)量,并將其應(yīng)用于西北建筑業(yè)的預(yù)測和控制中,取得了令人滿意的效果。

負(fù)荷預(yù)測是電力規(guī)劃的基礎(chǔ),傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測方法存在對初始網(wǎng)絡(luò)權(quán)值設(shè)置敏感、收斂的速度慢、容易陷入局部極小值等缺點(diǎn)。文中引入遺傳算法先對神經(jīng)網(wǎng)絡(luò)的初始值進(jìn)行優(yōu)化,再通過神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練,得出的結(jié)果再經(jīng)bagging方法集成,目的是提高其準(zhǔn)確率。通過matlab仿真進(jìn)行實(shí)驗(yàn),結(jié)果表明,基于bagging算法集成遺傳神經(jīng)網(wǎng)絡(luò),能夠克服傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)的缺點(diǎn),可較快收斂又不易陷入到局部極值中,具有較強(qiáng)的泛化能力,同時也大大提高了網(wǎng)絡(luò)的預(yù)測精度。

設(shè)計(jì)與施工的交互耦合分析對建設(shè)工程的發(fā)展具有極其重要的研究意義。這種交互耦合關(guān)系能從客觀上反映出兩個系統(tǒng)的耦合程度和耦合協(xié)調(diào)發(fā)展態(tài)勢。為了較科學(xué)地研究兩者的耦合態(tài)勢情況,文章建立了設(shè)計(jì)與施工兩個系統(tǒng)交互耦合的數(shù)學(xué)模型,并系統(tǒng)性分析了2010—2015年設(shè)計(jì)與施工耦合度、耦合協(xié)調(diào)度曲線變化情況。研究表明,設(shè)計(jì)與施工過程處于高水平耦合階段,且兩系統(tǒng)的整體發(fā)展水平表現(xiàn)不均衡。在此基礎(chǔ)上利用pso-bp神經(jīng)網(wǎng)絡(luò)算法對2016—2017年的交互耦合態(tài)勢進(jìn)行預(yù)測,選取了1996—2015年建筑業(yè)設(shè)計(jì)、施工相關(guān)數(shù)據(jù)作為訓(xùn)練樣本,從中均勻抽取4組作為測試樣本。該測試結(jié)果得到的預(yù)測值與實(shí)際值符合程度比較好,且預(yù)測精度較高。最后文章給出了設(shè)計(jì)與施工兩個系統(tǒng)在處于高水平耦合階段下,提高耦合協(xié)調(diào)度的建議。

基于遺傳算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在水質(zhì)評價(jià)中的應(yīng)用

為使地鐵隧道在施工中沉降監(jiān)測數(shù)據(jù)具有一定的預(yù)見性，分別采用了bp神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的預(yù)測模型、傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)預(yù)模型以及基于時間序列的三次指數(shù)平滑法預(yù)測模型對地鐵隧道施工中的沉降監(jiān)測數(shù)據(jù)進(jìn)行了預(yù)測。對其預(yù)測結(jié)果進(jìn)行分析，得出了bp神經(jīng)網(wǎng)絡(luò)改進(jìn)算法模型預(yù)測精度優(yōu)于傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)模型以及基于時間序列的三次指數(shù)平滑法模型預(yù)測精度的結(jié)論。

商品房的價(jià)格受多方面因素的影響,傳統(tǒng)的預(yù)測方法并不十分有效。為了探索新的房價(jià)預(yù)測理論模型,利用重慶市的數(shù)據(jù),驗(yàn)證了遺傳算法改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)房價(jià)預(yù)測的有效性,從而可以對房地產(chǎn)供求雙方及監(jiān)管機(jī)構(gòu)提供一定的參考。

為使地鐵隧道在施工中沉降監(jiān)測數(shù)據(jù)具有一定的預(yù)見性,分別采用了bp神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的預(yù)測模型、傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)預(yù)模型以及基于時間序列的三次指數(shù)平滑法預(yù)測模型對地鐵隧道施工中的沉降監(jiān)測數(shù)據(jù)進(jìn)行了預(yù)測。對其預(yù)測結(jié)果進(jìn)行分析,得出了bp神經(jīng)網(wǎng)絡(luò)改進(jìn)算法模型預(yù)測精度優(yōu)于傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)模型以及基于時間序列的三次指數(shù)平滑法模型預(yù)測精度的結(jié)論。

由于風(fēng)能具有隨機(jī)性和間歇性的特點(diǎn),造成了其功率輸出的不穩(wěn)定,而大規(guī)模的風(fēng)電接入給電力系統(tǒng)的正常穩(wěn)定運(yùn)行和調(diào)度帶來影響。詳細(xì)分析影響風(fēng)電場輸出的因素,確定風(fēng)速、風(fēng)向正弦和余弦為影響風(fēng)電輸出最主要的關(guān)聯(lián)因素,采用統(tǒng)計(jì)預(yù)測方法將歷史實(shí)際輸出功率、風(fēng)速、風(fēng)向正弦和余弦作為bp神經(jīng)網(wǎng)絡(luò)的輸入矢量,并采用人工蜂群算法優(yōu)化得到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,構(gòu)建abc-bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測模型。通過對某實(shí)測風(fēng)電功率進(jìn)行預(yù)測驗(yàn)證,結(jié)果表明:基于蜂群算法改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測,可以克服bp神經(jīng)網(wǎng)絡(luò)易于陷入局部極小的缺陷和不足,極大地提高了全局搜索能力以及預(yù)測的穩(wěn)定性和精度；同時,將自適應(yīng)的選擇策略引入到蜂群算法優(yōu)化適應(yīng)度的選擇中,減少了網(wǎng)絡(luò)層參數(shù)的訓(xùn)練時間,提高了收斂速度。