文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > BP 神经网络优化算法在入侵检测中的应用研究
侵权投诉

BP 神经网络优化算法在入侵检测中的应用研究

BP 神经网络优化算法在入侵检测中的应用研究

开发与应用

计算机与信息技术 ·25·

BP 神经网络优化算法在入侵检测中的应用研究

1

李佳

2

周铁军

(1.中南林业科技大学 计算机科学学院,湖南 长沙 410004; 2. 中南林业科技大学 现代实验与技术中心,湖南 长沙 410004)

摘 要 入侵检测系统是当前信息安全领域的研究热点,在保障信息安全方面起着重要的作用。在对 BP 神经网络优化

算法进行对比研究的基础上,利用 Levenberg-Marquardt 算法对传统 BP 算法进行改进,成功地将 LMBP 算法运用到入侵检测

中去。实验结果表明,运用 Levenberg-Marquardt 算法优化 BP 神经网络进行入侵检测,可以较好地提高学习速率,缩短收敛 时间。

关键词 入侵检测;BP 神经网络;LM 算法

1 引言

人工神经网络作为模式识别的重要方法,具有自组织、 自学习和推广能力。将人工神经网络方法应用于入侵检测系 统中,使系统可以对已知攻击有较好的识别能力,又具有检 测未知攻击的能力。但是,标准的 BP 算法应用到异常入侵检 测系统中,存在学习速度慢,有时收敛到局部最小等问题, 对入侵检测系统的性能有很大的影响。本文在对 BP 神经网络 优化算法进行对比研究的基础上,利用 Levenberg-Marquardt 算法对传统 BP 算法进行改进。此算法改进了传统 BP 网络的 不足,加快了网络的收敛速度,最后通过仿真实验,验证了 算法的可行性和有效性,确定入侵检测模型的最佳结构。

并传向输出层,每一层神经元的状态只影响下一层神经元的 状态,由输出层单元产生一个输出模式,这是一个逐层状态 更新过程,称为前向传播。前向传播后,如果输出目标值的 差值不在许可范围内,则采用反向传播算法调节网络权值矩 阵,将误差值沿连接通路逐层传送并修正各层连接权值。对 于给定的一组样本,不断用若干个训练模式进行学习,重复 前向传播和误差反向传播过程,当各个训练模式都满足要求 时,BP 网络训练完毕。

3 Levenberg-Marquardt 算法

基于数值优化的 Levenberg-Marquardt 算法不仅利用了 目标函数的一阶导数信息,还利用了目标函数的二阶导数信 息,从而使学习时间更短。LM 算法的迭代公式为:

(1) x= x [ J T ( x ) J ( x ) + μ ] 1 J T ( x)V ( x)

k +1

k

k

k

k

k

2 BP 神经网络

BP 网络是一种由非线性变换单元组成的多层前馈神经

网络。BP 网络是前向网络的核心部分,体现神经网络最精华、 最完美的内容。BP 神经网络的结构如图 1 所示。BP 网络是 一种具有三层或者三层以上的神经网络,包含输入层、中间 层(隐层)和输出层。

输入层

隐层

3.1 Levenberg-Marquardt 算法的具体描述

评价函数 E (a) =

隐层

输出层

(1) μ < 10 3 , a(0) = a (2)计算 E (a)

∑

n

i=1 1

f(a) ,算法步骤如下:

2

输入

输出

J = (3)计算加戈比矩阵

T

f ] a1

1 T

(4) a(k +1) = a(k ) [ J J + μ1]J f (a(k ))

(5)计算 E (a(k +1))

(6)如果 则 (4) E (a(k +1)) > E (a(k )) ,μ ← μ ×10 转到

E (a(k +1)) <误差指标,则计算成功,算法结束 (7)如果

(8) μ ← μ ×0.1 (9) a(k ) = a(k +1) ,转到(2)

图 1 BP 神经网络

BP 网络实现了多层网络学习的设想,其学习过程包括 正向传播和反向传播两部分。在正向传播过程中,给定网络 的一个输入模式时,输入信息从输入层经过隐含层逐层处理,

第1页

你可能喜欢

  • BP神经网络算法
  • 遗传算法应用
  • BP神经网络原理
  • 入侵检测系统
  • 人工神经网络论文
  • 神经网络的应用

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email