入侵检测是检测和预防可能对基于网络的计算机系统进行攻击和入侵作出反应的技术。提出一种基于深度卷积神经网络的入侵检测的算法,在卷积神经网络基础上引入Inception模型和残差网络,采用深度学习技术,如Relu、Dropout、Softmax。提高...入侵检测是检测和预防可能对基于网络的计算机系统进行攻击和入侵作出反应的技术。提出一种基于深度卷积神经网络的入侵检测的算法,在卷积神经网络基础上引入Inception模型和残差网络,采用深度学习技术,如Relu、Dropout、Softmax。提高模型的收敛速度,使得训练的模型的泛化能力更强,增加网络的宽度和深度,提升网络对尺度的适应性。使用KDD Cup 99数据对该算法进行验证,实验表明,该网络模型与GoogleNet和Lenet-5相比具有更高的准确率和检测率,准确率能够达到94.37%,误报率仅2.14%,提高了入侵检测识别的分类准确性。展开更多
针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入Inception模块,提出了一种识别率...针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入Inception模块,提出了一种识别率和抗噪声能力更高的卷积神经网络—BICNN(Convolution Neural Network based on Inception),并用BICNN卷积神经网络基于数据驱动的方式,对楼体框架模型进行了集成故障诊断研究。集成诊断结果表明BICNN具有更高的识别率和较强的抗噪声能力,而且在训练步数较少的情况下振荡次数少收敛情况良好。因此采取本研究所提出的方法,对框架结构进行故障诊断时具有高诊断率和稳定性,为维护框架结构的稳定运行具有重大安全意义。展开更多
文摘入侵检测是检测和预防可能对基于网络的计算机系统进行攻击和入侵作出反应的技术。提出一种基于深度卷积神经网络的入侵检测的算法,在卷积神经网络基础上引入Inception模型和残差网络,采用深度学习技术,如Relu、Dropout、Softmax。提高模型的收敛速度,使得训练的模型的泛化能力更强,增加网络的宽度和深度,提升网络对尺度的适应性。使用KDD Cup 99数据对该算法进行验证,实验表明,该网络模型与GoogleNet和Lenet-5相比具有更高的准确率和检测率,准确率能够达到94.37%,误报率仅2.14%,提高了入侵检测识别的分类准确性。
文摘为更有效地去除图像中的噪声,提出一种结合Inception 模型的深度卷积神经网络(Convolutional Neural Network,CNN)图像去噪方法,以完整图像作为输入和输出,利用Inception 结构密集提取原始图像和噪声多个不同空间尺度的特征,并采用多种调优策略,增强网络的整体学习能力。为避免梯度消失,使用线性修正单元(Rectified Linear Unit,ReLU)激活函数;为加速网络的训练,增加批量规范化(Batch Normalization,BN)操作;加入跳跃结构进行残差学习(Residual Learning,RL),提升网络的去噪性能。基于公共数据集BSDS300 的三种高斯噪声等级实验结果表明,与其他图像去噪方法相比,模型在降低计算复杂度、提高收敛速度的同时,视觉效果更好,平均峰值信噪比(Peak Signal to Noise Ratio,PSNR)提升了约1.28 dB。
文摘针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入Inception模块,提出了一种识别率和抗噪声能力更高的卷积神经网络—BICNN(Convolution Neural Network based on Inception),并用BICNN卷积神经网络基于数据驱动的方式,对楼体框架模型进行了集成故障诊断研究。集成诊断结果表明BICNN具有更高的识别率和较强的抗噪声能力,而且在训练步数较少的情况下振荡次数少收敛情况良好。因此采取本研究所提出的方法,对框架结构进行故障诊断时具有高诊断率和稳定性,为维护框架结构的稳定运行具有重大安全意义。
