基于EQPSO-GS优化SVM的入侵检测模型研究
发布时间:2021-05-07 17:43
支持向量机(Support Vector Machine,SVM)的惩罚因子C和核参数σ影响模型分类精度和泛化性能。传统进化算法优化支持向量机时主要存在早熟收敛、优收敛速度慢、收敛精度低以及泛化性能不高等问题。针对这些问题,将精英策略与量子粒子群算法融合,提出了精英量子粒子群算法(Elite Quantum Particle Swarm Optimization Algorithm,EQPSO),既提高了种群收敛速度,也一定程度上避免了算法局部收敛,凭借其全局探索能力初探参数范围,并通过网格搜索算法(Grid Search Algorithm,GS)提高开发能力做进一步的优化,将优化好的SVM模型用于入侵检测。利用入侵检测数据集UNSW-NB15对传统的进化算法优化支持向量机模型进行仿真实验,通过交叉验证对比EQPSO-GS-SVM、QPSO-SVM、PSO-SVM、DE-SVM模型,得出EQPSOGS优化的SVM模型具有更好的泛化性能。
【文章来源】:通信技术. 2020,53(01)
【文章页数】:6 页
【文章目录】:
0 引言
1 理论概述
1.1 SVM的基本原理
1.2 标准量子粒子群算法
1.3 融合精英策略的量子粒子群算法
1.4 网格搜索算法与交叉验证
2 基于EQPSO-GS优化SVM入侵检测模型
3 实验分析
3.1 数据简介及其预处理
3.2 基于EQPSO-GS优化SVM入侵检测模型实现
3.2.1 利用EQPSO优化SVM初步寻找参数
3.2.2 利用GS-SVM精细化寻找参数
3.3 实验结果分析
4 结语
【参考文献】:
期刊论文
[1]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东. 计算机系统应用. 2018(04)
[2]改进量子粒子群优化支持向量机的网页分类[J]. 朱兴统,左敬龙,张晶华. 湖南科技大学学报(自然科学版). 2012(03)
[3]一类支持向量机中引导式量子粒子群优化机理及实现[J]. 姚富光,钟先信. 重庆大学学报. 2011(02)
[4]量子粒子群优化算法在训练支持向量机中的应用[J]. 山艳,须文波,孙俊. 计算机应用. 2006(11)
[5]基于支持向量机的入侵检测系统[J]. 饶鲜,董春曦,杨绍全. 软件学报. 2003(04)
硕士论文
[1]支持向量机算法的入侵检测分类研究[D]. 张博伦.青岛科技大学 2018
本文编号:3173809
【文章来源】:通信技术. 2020,53(01)
【文章页数】:6 页
【文章目录】:
0 引言
1 理论概述
1.1 SVM的基本原理
1.2 标准量子粒子群算法
1.3 融合精英策略的量子粒子群算法
1.4 网格搜索算法与交叉验证
2 基于EQPSO-GS优化SVM入侵检测模型
3 实验分析
3.1 数据简介及其预处理
3.2 基于EQPSO-GS优化SVM入侵检测模型实现
3.2.1 利用EQPSO优化SVM初步寻找参数
3.2.2 利用GS-SVM精细化寻找参数
3.3 实验结果分析
4 结语
【参考文献】:
期刊论文
[1]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东. 计算机系统应用. 2018(04)
[2]改进量子粒子群优化支持向量机的网页分类[J]. 朱兴统,左敬龙,张晶华. 湖南科技大学学报(自然科学版). 2012(03)
[3]一类支持向量机中引导式量子粒子群优化机理及实现[J]. 姚富光,钟先信. 重庆大学学报. 2011(02)
[4]量子粒子群优化算法在训练支持向量机中的应用[J]. 山艳,须文波,孙俊. 计算机应用. 2006(11)
[5]基于支持向量机的入侵检测系统[J]. 饶鲜,董春曦,杨绍全. 软件学报. 2003(04)
硕士论文
[1]支持向量机算法的入侵检测分类研究[D]. 张博伦.青岛科技大学 2018
本文编号:3173809
本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3173809.html