[发明专利]基于改进鲸鱼算法优化DELM的工业互联网入侵检测方法

权利要求书

1.一种基于改进鲸鱼算法优化DELM的工业互联网入侵检测方法，其特征在于：包括以下步骤：

S1：获取并预处理工业互联网入侵检测的样本数据，拆分训练集和测试集；

S2：构建DELM分类模型，并初始化模型参数；

S3：利用反向学习机制优化鲸鱼算法WOA的初始化方法，引入非线性曲线来更新线性收敛因子，形成改进的鲸鱼优化算法IWOA；

S4：将DELM的实际输出结果与期望输出结果的误差作为IWOA的适应度函数，通过改进的鲸鱼优化算法迭代寻优获得深度极限学习机最优的权值和阈值；

S5：构建IWOA-DELM分类模型，用测试集数据对模型进行测试，得到分类结果。

2.根据权利要求1所述的基于改进鲸鱼算法优化DELM的工业互联网入侵检测方法，其特征在于：步骤S1中所述预处理包括数值清洗、数值化和归一化；

所述数据清洗包括对缺失值或格式内容有错误的数据进行修改去除，删除无效数据，以及对数据的一致性进行检验；

所述数值化包括使用One-hot将数据集中存在的非数值特征转换为连续特征；

所述归一化为使用Min-Max方法将数据归一化到[0,1]区间，公式为：

3.根据权利要求1所述的基于改进鲸鱼算法优化DELM的工业互联网入侵检测方法，其特征在于：DELM分类模型的每个隐含层由一个ELM-AE训练，ELM-AE的输入输出相同，通过输入数据X计算得到隐含层的输出权值矩阵β₁，然后将训练得到的作为DELM模型的第一个隐层的输入权值，求得输出矩阵h₁，再将h₁输入下一个ELM-AE进行训练，以此类推，通过逐层训练提取特征，最后一层使用ELM进行分类。

4.根据权利要求3所述的基于改进鲸鱼算法优化DELM的工业互联网入侵检测方法，其特征在于：ELM-AE由输入层、隐含层、输出层组成，隐含层输出矩阵计算方式如下：

h＝g(a^Tx+b) (2)

式中a、b分别为正交化的隐含层输入权值及阈值，且满足a^Ta＝1，b^Tb＝1；g为sigmoid激活函数；ELM-AE的输出等于输入，可得：

X＝Hβ  (3)

引入正则化项，目标函数为：

当输入节点大于或小于隐含层节点数目时，实现对数据的高维或低维特征映射，计算得到ELM-AE的输出权值矩阵：

式中，H＝[h₁,…,h_N]为经过非线性激活函数变换得到的隐层输出矩阵，C是一个正则化系数。

5.根据权利要求1所述的基于改进鲸鱼算法优化DELM的工业互联网入侵检测方法，其特征在于：步骤S3具体包括以下步骤：

S31：针对鲸鱼算法随机化的初始化方法，采用反向学习机制对随机初始化种群进行有先验的重构，将当前种群按适应度进行排序，并将适应度靠前的一半种群组成精英个体，构造其反向种群，再将原种群与反向种群进行合并得到新种群，最后选取适应度最优的前N个鲸鱼个体组成新的种群；假设{x_i,j},i＝1,2,…,N；j＝1,2,…,D为搜索维度为D的空间中的一组精英个体，N为鲸鱼种群的规模，鲸鱼种群N代表N个可行解，则其反向学习种群为：

x'_i,j＝λ(x_min,j+x_max,j-x_i,j)       (6)

其中λ为反向学习因子，是区间[0,2]上的随机数；x_min,j和x_max,j分别为精英种群中距离最优解最近和最远的个体；

S32：引入非线性曲线来更新收敛因子具体表达式为：

其中，t为当前迭代次数，T_max为设定的最大迭代次数，β＝1,β为非线性收敛系数；随迭代次数的增加，呈非线性递减，即衰减速度由慢到快，在迭代初期，鲸鱼以大步长游走，游动较快，进行全局搜索最优解，迭代后期，鲸鱼以小步长游走，游动较慢，在局部精细搜索。