10.19678/j.issn.1000-3428.0055752
基于改进在线序列极限学习机的AMI入侵检测算法
针对智能电网高级量测体系(AMI)与计算机网络互联通信中存在的安全威胁,提出一种基于改进在线序列简化极核极限学习机(DBN-OS-RKELM)的AMI入侵检测算法.将采集到的历史网络日志数据通过深度信念网络进行重要特征提取,并在特征学习过程中实现高维数据的低维表示以减少冗余特征,同时将当前新到达的网络日志数据添加到DBN-OS-RKELM网络中进行输出权重的实时更新,从而完成AMI入侵检测的分类.实验结果表明,与基于极限学习机和在线序列极限学习机等的入侵检测算法相比,基于DBN-OS-RKELM的入侵检测算法具有更好的泛化能力与更快的学习速率,且提高了入侵检测准确率.
高级量测体系、深度信念网络、极限学习机、在线学习、入侵检测
46
TP393(计算技术、计算机技术)
甘肃省高等学校创新团队项目;兰州市科技局科技项目
2020-10-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
136-142,148