基于BP神经网络提高伪装目标识别概率的研究下载

weixin_39821746 2020-12-09 03:00:57

基于BP神经网络提高伪装目标识别概率的研究
基于BP神经网络提高伪装目标识别概率的研究
相关下载链接：//download.csdn.net/download/buaa_zxy/3873152?utm_source=bbsseo

...全文

24 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

基于BP神经网络提高伪装目标识别概率的研究基于BP神经网络提高伪装目标识别概率的研究

在人脸识别和分类中，基于标记数据不足的特征提取和分类是一个众所周知的难题。为了解决这个问题，本文提出了一种新的半监督学习算法，称为深度信念网络，嵌入了Softmax回归算法（DBNESR）。 DBNESR首先通过深度学习来学习特征的层次表示，然后使用Softmax回归进行更有效的分类。同时，我们基于监督学习设计了多种分类器：BP，HBPNN，RBF，HRBFNN，SVM和多分类决策融合分类器（MCDFC）-混合HBPNNs- HRBFNNs-SVM分类器。实验证明：首先，提出的半监督深度学习算法DBNESR最适合用于人脸识别，具有最高和最稳定的识别率。其次，半监督学习算法的效果要优于所有监督学习算法。第三，混合神经网络比单一神经网络具有更好的效果。第四，平均识别率和方差分别表示为BP。最后，就其对硬智能智能任务建模的能力而言，它反映了DBNESR的层次结构表示。

BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。具体步骤如下：1、从训练集中取出某一样本，把信息输入网络中。2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。3、计算网络实际输出与期望输出的误差。

神经网络的云集成模式还不是很成熟，应该有发展潜力，但神经网络有自己的硬伤，不知道能够达到怎样的效果，所以决策支持系统中并不是很热门，但是神经网络无视过程的优点也是无可替代的，云网络如果能够对神经网络提供一个互补的辅助决策以控制误差的话，也许就能使神经网络成熟起来 1 人工神经网络产生的背景自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。互联网业务的快速发展，为深度学习提供了上百万的样本进行训练，上述三个因素共同作用下使语音识别技术和图像识别技术能够达到90%以上的准确率。

综上所述，基于人工神经网络的入侵检测技术展现出强大的学习能力和适应性，不仅能有效识别已知攻击模式，还能通过持续训练不断适应新的威胁形态，为构建智能化、自适应的网络安全防御体系提供了坚实的技术支撑。此外，针对KDD99数据集中存在的特征冗余和量纲差异问题，本文设计了一套完整的预处理流程。在整个训练过程中，网络不仅学习到了显式的规则特征，更重要的是挖掘出了隐藏在数据背后的复杂关联性，例如某些看似正常的短时高频连接组合可能预示着分布式拒绝服务攻击的前兆，或者特定服务下的异常负载变化往往与漏洞探测行为密切相关。

下载资源悬赏专区

13,655

社区成员

12,589,390

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章