為了提高入侵檢測(cè)系統(tǒng)的檢測(cè)精度和效率,提出一種基于改進(jìn)雞群算法(ICSO)和核極限學(xué)習(xí)機(jī)(KELM)的入侵檢測(cè)模型(ICSO-KELM)�？紤]到模型中特征選擇與分類器參數(shù)優(yōu)化的相互影響,利用具有較好全局優(yōu)化能力的改進(jìn)雞群優(yōu)化算法優(yōu)化核極限學(xué)習(xí)機(jī)正規(guī)化系數(shù)和核函數(shù)參數(shù)的同時(shí)選擇最優(yōu)特征子集。仿真實(shí)驗(yàn)結(jié)果表明,該方法有效地適配了入侵檢測(cè)中的特征選擇和分類器參數(shù),與SVM、KNN等方法相比,其檢測(cè)準(zhǔn)確率和效率有明顯提升,誤報(bào)率也有所降低。

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 ICSO
    1.1 連續(xù)ICSO
    1.2 離散ICSO
    1.3 ICSO流程
2 ICSO-KELM模型
    (1)ICSO-KELM模型
    (2)個(gè)體的編碼方式
    (3)適應(yīng)度函數(shù)
3 實(shí)驗(yàn)
    3.1 數(shù)據(jù)描述與預(yù)處理
    3.2 實(shí)驗(yàn)設(shè)置
    3.3 實(shí)驗(yàn)結(jié)果與分析
4 結(jié)束語



本文編號(hào)：3830707