基于蚁群算法优化BP神经网络的政务云网络态势预测研究

发布时间：2021-11-11 07:24

　　针对常规BP神经网络预测模型存在的预测精度低、收敛速度慢等问题,给出一种蚁群优化BP神经网络预测模型,用于政务云的网络安全态势预测。同时,对蚁群算法的信息素更新规则进行改进,并将改进后的蚁群算法应用于BP神经网络权值和阈值的优化,得到BP神经网络预测模型的最优权值和阈值,并将最优权值和阈值用于BP神经网络训练和预测。实验仿真结果表明,与传统BP神经网络安全预测模型相比,采用优化后的模型进行网络安全态势预测时,其收敛速度和预测精度都得到了明显的提高。 

【文章来源】：现代电子技术. 2020,43(21)北大核心

【文章页数】：4 页

【部分图文】：

神经网络拓扑图

BP神经网络模型训练误差曲线和蚁群优化BP神经网络训练模型误差曲线如图2所示。由图2中可以看出：BP神经网络预测模型经过150步的迭代训练基本上达到所设定的训练目标误差要求；而蚁群优化BP神经网络预测模型经过70步的迭代训练基本已经达到稳定的训练效果，且达到所设定的训练误差要求。可以看出优化后预测模型的收敛速度得到明显加快。将测试样本数据输入模型进行态势预测，结果如图3所示。通过对比可以看出，蚁群优化BP神经网络预测模型的网络安全态势预测值更加接近真实值，证明本文建立的蚁群优化BP神经网络预测模型用于政务云环境下的网络安全态势预测的理论可行性。

为了进一步说明该预测模型的准确性和适用性，分别计算了BP神经网络预测模型和蚁群优化BP神经网络预测模型的平均绝对误差（MAE）和均方根误差（RMSE），结果如表1所示[10]。由表1可以看出，蚁群优化BP神经网络预测模型的MAE和RMSE值明显低于常规BP神经网络预测模型，因而蚁群优化BP神经网络预测模型具有更高的预测精度。4 结论

【参考文献】：
期刊论文
[1]用于网络安全态势预测的粒子群与支持向量机算法研究[J]. 孙卫喜.  计算机应用与软件. 2019(06)
[2]基于BP神经网络的网络安全态势预测研究[J]. 周显春,肖衡.  现代电子技术. 2017(01)
[3]蚁群BP神经网络的光伏电站辐照强度预测[J]. 贺文,齐爽,陈厚合.  电力系统及其自动化学报. 2016(07)
[4]动态调整蚁群-BP神经网络模型在短期负荷预测中的应用[J]. 师彪,李郁侠,于新花,闫旺.  水力发电学报. 2011(03)

硕士论文
[1]基于神经网络的网络安全态势评估与预测技术研究[D]. 罗昭.西北大学 2018
[2]基于蚁群算法的改进型BP神经网络与应用[D]. 李晨.西北农林科技大学 2018
[3]网络安全态势的评估与预测技术研究[D]. 郭莎莎.北京邮电大学 2017
[4]基于蚁群算法优化的小波神经网络流量预测模型研究[D]. 张文谦.西安电子科技大学 2014



本文编号：3488442