[发明专利]基于双加权在线极限学习机的网络入侵检测方法

摘要

本发明公开一种基于双加权在线极限学习机的网络入侵检测方法，在初始训练阶段，从数据集中随机选择样本作为初始训练样本，随机分配权值和阈值，进而计算在时间层面的权值，训练初始的概率神经网络，获得每个样本属于每个类别的得分，并计算隶属度，得到在空间层面的权值，最终组合在时间层面和空间层面的权值，得到最终的初始权值；在连续学习阶段，对每一块新到达的数据更新在时间层面的权值并对权值对角化，更新概率神经网络得到当前块的得分，进而更新空间层面的权值，最终组合在时间层面和空间层面更新好的权值得到最终的输出权值。

主权项

1.一种基于双加权在线极限学习机的网络入侵检测方法，其特征在于：a．在线极限学习机按照如下步骤进行：步骤1：初始化1.1 从训练集D中随机选择n0个样本作为初始训练集D0；1.2随机分配输入权重和阈值；1.3利用式对初始训练集D₀计算初始中间层输出矩阵H₀，g(x)为激励函数；1.4 利用式，计算在时间层面的权重w₀，并对角化矩阵；1.5 利用式计算矩阵M₀；1.6 训练初始的PNN，获得每个样本属于每个类别的得分scores₀，并利用公式计算隶属度，得到在空间层次的权重u₀；1.7 利用式组合在时间层面的权重w₀和在空间层面的权重u₀，计算初始输出权重，其中T₀为真实输出；步骤2：连续学习阶段2.1将训练集D中剩下的数据进行分块处理，第k+1块数据集Dk+1到达后，利用式更新中间层输出矩阵H_k+1；2.2 利用式，更新在时间层面的权重w_k+1，并对角化矩阵；所述和分别代表第j个数据块的正类数目和负类数目，；2.3 利用式计算矩阵;2.4 更新PNN得到scores_k+1，得到空间层面的权重；2.5 利用式更新输出权值矩阵；b．对于网络数据进行检测：当第k+1块网络数据集Dk+1到达后，利用式更新中间层输出矩阵H_k+1；按照计算输出层的权值；分类判决。