吕荣
- 作品数：4 被引量：5H指数：1
- 供职机构：吉林大学更多>>
- 发文基金：国家教育部博士点基金国家自然科学基金国际科技合作与交流专项项目更多>>
- 相关领域：自动化与计算机技术更多>>
- 多重组合的网络流量分析方法研究被引量：1
- 2010年
- 传统的平稳流量模型不能描述流量的非平稳特性,在进行预测中,随着预测步长的增加,预测准确性随之降低.而神经网络作为一种非平稳模型,虽然可以弥补平稳模型不能刻画流量非平稳性的缺陷,但是其网络中各参数选取还没有一个确切的理论依据.针对以上不足,本文提出一种多重组合的方法:ARIMA模型和Elman神经网络的对比组合模型对网络流量进行分析.仿真实验表明,该方法优于单一模型.
- 吕荣魏达曹国昕
- 关键词：ARIMA模型网络流量BP网络
- 基于FCM的分布式学习方法被引量：3
- 2010年
- 在大规模网络入侵检测应用中,针对模块化神经网络算法学习精度高但效率相对较低的特点,采用SOM算法作为基本学习方法并利用其神经元竞争特性,引入模糊聚类FCM对SOM输出权值进行融合学习分类,在保持SOM高精度的基础上,大幅减少了学习时间。最后采用入侵检测数据集KDDCUP99进行测试,结果验证了算法的高检测率和较好的效率。
- 吴静刘衍珩吕荣
- 关键词：计算机应用入侵检测分布式学习神经网络
- 基于卡尔曼滤波的神经网络修剪算法研究
- 2009年
- 传统的BP神经网络在应用的过程中,常常面临无法确定合适的网络节点问题。网络规模小,则运算时间长;而网络规模过大,容易产生过学习现象,影响泛化能力。在传统的BP神经网络学习的基础上,采用卡尔曼滤波算法对神经网络中的权值向量进行修剪,实现对神经网络结构的简化,提高泛化能力。它不同于以往的边修剪、边训练,而是在神经网络一次完整的学习完成之后,一次性修剪。方法在入侵检测数据集测试中表明,修剪比例较高,精确度好,修剪完成的网络能够很好地保持修剪前的测试识别率,提高了学习速度和泛化能力。
- 吴静刘衍珩吕荣
- 关键词：神经网络泛化能力卡尔曼滤波
- 基于SOM的分布式入侵检测算法研究
- 针对模块化神经网络学习精度高但是效率相对较低的特点,本文提出了基于SOM的分布式入侵检测算法。 该算法分为初级学习阶段和融合学习阶段,初级阶段完成对样本数据的初步分析,并为融合学习提供相关输入。通过对SOM算法现有邻域函...
- 吕荣
- 关键词：入侵检测分布式自组织特征映射模糊C均值聚类
- 文献传递
