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
为了实现高光谱图像的快速训练、分类和超参数自适应寻优,提出基于深层残差3D卷积神经网络(3D-CNN)的高光谱图像识别分类算法.由于采用的3D特征提取算法更适合高光谱3D数据结构,使得网络可以快速地从完整的高光谱图像样本中同时提取丰...为了实现高光谱图像的快速训练、分类和超参数自适应寻优,提出基于深层残差3D卷积神经网络(3D-CNN)的高光谱图像识别分类算法.由于采用的3D特征提取算法更适合高光谱3D数据结构,使得网络可以快速地从完整的高光谱图像样本中同时提取丰富的空间和光谱特征;此外,通过对高光谱图像样本平面空间方向的旋转和翻转操作进行数据增强的方法;以及运用TPE超参数优化算法对设定的超参数选择空间自适应寻优的方法,都可以有效地提高分类准确率.通过在TensorFlow框架下对Pavia University, Indian Pines和KSC等标准高光谱数据集上的实验结果表明,与SSRN等其他算法相比,文中算法在加深网络结构的同时,提高了分类准确率;与人工设定超参数网络相比,以TPE自适应超参数优化算法优化的网络参数数量减少约一半,训练时间缩短约10%.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。
文摘为了实现高光谱图像的快速训练、分类和超参数自适应寻优,提出基于深层残差3D卷积神经网络(3D-CNN)的高光谱图像识别分类算法.由于采用的3D特征提取算法更适合高光谱3D数据结构,使得网络可以快速地从完整的高光谱图像样本中同时提取丰富的空间和光谱特征;此外,通过对高光谱图像样本平面空间方向的旋转和翻转操作进行数据增强的方法;以及运用TPE超参数优化算法对设定的超参数选择空间自适应寻优的方法,都可以有效地提高分类准确率.通过在TensorFlow框架下对Pavia University, Indian Pines和KSC等标准高光谱数据集上的实验结果表明,与SSRN等其他算法相比,文中算法在加深网络结构的同时,提高了分类准确率;与人工设定超参数网络相比,以TPE自适应超参数优化算法优化的网络参数数量减少约一半,训练时间缩短约10%.
