混合群智感知网络的异常状态检测仿真研究

发布时间：2021-12-18 14:05

　　采用当前方法检测混合群智感知网络的状态时,检测所用的时间较长,受噪声信号的干扰较大,检测结果与实际结果不符,存在检测效率低、去噪效果差和检测准确率低的问题。提出混合群智感知网络的异常状态检测方法,结合基于聚类的样本选择方法和过滤器模式的特征选择方法从混合群智感知网络中采集数据构建数据集。利用阈值自学习小波算法去除数据集中存在的噪声,在核密度估计理论的基础上估计数据集中数据的概率密度,根据估计结果建立信任函数,计算被检测数据在混合群智感知网络中的信任度,利用信任度判断混合群智感知网络的状态,完成混合群智感知网络的异常状态检测。仿真结果表明,所提方法的检测效率高、去噪效果好、检测准确率高。 

【文章来源】：计算机仿真. 2020,37(11)北大核心

【文章页数】：4 页

【部分图文】：

三种不同方法的检测时间

在混合群智感知网络中存在大量的噪声信号,会对混合群智感知网络状态的检测结果造成影响,降低检测结果的准确率。分别采用混合群智感知网络的异常状态检测方法(方法1)、基于压缩感知的网络异常状态检测方法(方法2)、基于D-S理论和迁移学习的网络异常状态检测方法(方法3)进行测试,对比三种不同方法的去噪效果,测试结果如图2所示。分析图2可知,采用混合群智感知网络的异常状态检测方法对网络进行去噪处理后,混合群智感知网络的信噪比均高于基于压缩感知的网络异常状态检测方法和基于D-S理论和迁移学习的网络异常状态检测方法得到的信噪比。验证混合群智感知网络的异常状态检测方法的去噪效果好,因为该方法利用阈值自学习小波算法最小化期望输出的均方根误差,得到去噪后的重构信号,提高了混合群智感知网络的信噪比。

【参考文献】：
期刊论文
[1]基于链路状态数据库的数据中心网络异常检测算法[J]. 许刚,王展,臧大伟,安学军.  计算机研究与发展. 2018(04)
[2]无线网络数据流量异常优化检测仿真研究[J]. 李兴国,王俊峰.  计算机仿真. 2017(09)
[3]基于云模型的网络异常流量检测[J]. 费金龙,王禹,王天鹏,祝跃飞.  计算机工程. 2017(01)
[4]结合动态代价和协同标注的网络异常检测[J]. 张燕,杜红乐.  计算机科学与探索. 2017(11)
[5]基于信息增益特征选择的网络异常检测模型[J]. 刘汝隽,贾斌,辛阳.  计算机应用. 2016(S2)
[6]采用压缩感知和GM（1,1）的无线传感器网络异常检测方法[J]. 刘洲洲,李士宁.  西安交通大学学报. 2017(02)
[7]基于多模态数据流的无线传感器网络异常检测方法[J]. 费欢,肖甫,李光辉,孙力娟,王汝传.  计算机学报. 2017(08)
[8]基于多元增量分析的全网络在线异常检测方法[J]. 李宇翀,魏东,罗兴国,钱叶魁,刘凤荣.  上海交通大学学报. 2016(09)
[9]基于耦合动态离散事件链相关性的信息网络异常检测初探[J]. 陈颖,韦尊,于智同,黄少伟.  电力系统自动化. 2016(17)
[10]基于迁移学习和D-S理论的网络异常检测[J]. 赵新杰,刘渊,孙剑.  计算机应用研究. 2016(04)



本文编号：3542550