基于遗传算法和小波神经网络的入侵检测系统

论文摘要

小波神经网络具有很强的非线性映射能力和自适应、自学习能力,它结合了小波变换和神经网络的优点,特别适合于入侵检测系统。但小波神经网络的弱点是收敛速度慢、易陷入局部极小值。对于小波神经网络这些不足,本文提出用遗传算法优化小波神经网络的算法,由遗传算法优化确定小波神经网络的初始权值阈值等,确定一个较好的搜索空间,从而解决小波神经网络易陷入局部极小值的缺点。同时针对传统小波神经网络存在收敛速度慢的问题,引入了Levenberg-Marquardt优化算法,LM算法在已由遗传算法确定了的搜索空间中对网络进行快速训练。两者构成的LM小波神经网络（LM-WNN）的仿真结果表明该方法可行,神经网络的逼近能力和泛化能力得到了综合提高。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景和实用意义
• 1.2 目前国内外研究现状
• 1.3 论文的主要工作
• 1.4 论文内容安排
• 第2章 入侵检测技术
• 2.1 入侵检测的相关概念
• 2.2 入侵检测技术的分类
• 2.3 入侵检测的不足
• 2.4 入侵检测技术的发展趋势
• 本章小结
• 第3章 小波神经网络
• 3.1 神经网络简介
• 3.2 小波神经网络
• 3.3 基于传统梯度下降算法的小波神经网络
• 3.4 LEVENBERG-MARQUARDT算法改进的小波神经网络
• 3.5 实验数据处理
• 3.6 小波神经网络的构造
• 3.7 仿真对比试验
• 本章小结
• 第4章 遗传算法
• 4.1 遗传算法的发展与现状
• 4.2 遗传算法的原理
• 4.3 遗传算法的编码
• 4.4 遗传算法的适应度函数、操作算子和参数设定
• 4.5 遗传算法优化神经网络的连接权
• 4.6 仿真试验
• 本章小结
• 第5章 基于小波神经网络和遗传算法的入侵检测系统
• 5.1 GA-LM小波神经网络总体思想
• 5.2 染色体编码
• 5.3 适应度计算
• 5.4 遗传算子的选择
• 5.5 运行参数选择
• 5.6 仿真实验
• 本章小结
• 论文总结
• 参考文献
• 附录 KDDCUP99数据集特征属性
• 致谢