为了提升入侵检测的准确率,鉴于自编码器在学习特征方面的优势以及残差网络在构建深层模型方面的成熟应用,提出一种基于特征降维的改进残差网络入侵检测模型(improved residual network intrusion detection model based on feature dim...为了提升入侵检测的准确率,鉴于自编码器在学习特征方面的优势以及残差网络在构建深层模型方面的成熟应用,提出一种基于特征降维的改进残差网络入侵检测模型(improved residual network intrusion detection model based on feature dimensionality reduction,IRFD),进而缓解传统机器学习入侵检测模型的低准确率问题。IRFD采用堆叠降噪稀疏自编码器策略对数据进行降维,从而提取有效特征。利用卷积注意力机制对残差网络进行改进,构建能提取关键特征的分类网络,并利用两个典型的入侵检测数据集验证IRFD的检测性能。实验结果表明,IRFD在数据集UNSW-NB15和CICIDS 2017上的准确率均达到99%以上,且F1-score分别为99.5%和99.7%。与基线模型相比,提出的IRFD在准确率、精确率和F1-score性能上均有较大提升。展开更多
为实现航空发动机气路性能诊断与预测,提出一种基于堆叠降噪自编码器(Stacked denoising auto encoder,SDAE)和支持向量回归(Support vector regression,SVR)相结合的航空发动机排气温度(Exhaust gas temperature,EGT)基线建模方法。以C...为实现航空发动机气路性能诊断与预测,提出一种基于堆叠降噪自编码器(Stacked denoising auto encoder,SDAE)和支持向量回归(Support vector regression,SVR)相结合的航空发动机排气温度(Exhaust gas temperature,EGT)基线建模方法。以CFM56-7B发动机实际采集的飞行数据作为原始数据样本,利用SDAE进行数据特征提取和降噪处理后,将提取到的非线性特征作为SVR网络的输入,建立排气温度基线模型。利用同型号的另一台发动机航后数据对所建立的排气温度基线模型进行验证,并与基于单一网络的基线模型进行对比。结果表明,基于SDAE-SVR融合模型的基线建模方法具有更强的鲁棒性和更高的预测精度。展开更多
文摘为了提升入侵检测的准确率,鉴于自编码器在学习特征方面的优势以及残差网络在构建深层模型方面的成熟应用,提出一种基于特征降维的改进残差网络入侵检测模型(improved residual network intrusion detection model based on feature dimensionality reduction,IRFD),进而缓解传统机器学习入侵检测模型的低准确率问题。IRFD采用堆叠降噪稀疏自编码器策略对数据进行降维,从而提取有效特征。利用卷积注意力机制对残差网络进行改进,构建能提取关键特征的分类网络,并利用两个典型的入侵检测数据集验证IRFD的检测性能。实验结果表明,IRFD在数据集UNSW-NB15和CICIDS 2017上的准确率均达到99%以上,且F1-score分别为99.5%和99.7%。与基线模型相比,提出的IRFD在准确率、精确率和F1-score性能上均有较大提升。
文摘为实现航空发动机气路性能诊断与预测,提出一种基于堆叠降噪自编码器(Stacked denoising auto encoder,SDAE)和支持向量回归(Support vector regression,SVR)相结合的航空发动机排气温度(Exhaust gas temperature,EGT)基线建模方法。以CFM56-7B发动机实际采集的飞行数据作为原始数据样本,利用SDAE进行数据特征提取和降噪处理后,将提取到的非线性特征作为SVR网络的输入,建立排气温度基线模型。利用同型号的另一台发动机航后数据对所建立的排气温度基线模型进行验证,并与基于单一网络的基线模型进行对比。结果表明,基于SDAE-SVR融合模型的基线建模方法具有更强的鲁棒性和更高的预测精度。
