科研之友
微信
新浪微博
Facebook
分享链接
摘要
根据循环神经网络（recurrent neural network,RNN）与长短期记忆（long short-term memory,LSTM）网络运行特征，优化LSTM得到变体门控循环单元（gate recurrent unit,GRU）网络，构建得到GRU-LSTM算法，并与传统Softmax（逻辑回归）分类技术进行对比。研究结果表明：通过dropout（临时丢弃函数）进行网络训练，实现减弱神经元间的相互作用，有效防止过拟合。实验测试GRU-LSTM和GRU-Softmax两个模型的dropout值分别为0.82与0.79。GRU-LSTM表现出比GRU-Softmax更高的控制精确度和检测率。GRU-LSTM算法在检测攻击时将其判断成正常行为的概率较小，减小了入侵概率，获得了更优的精确度、检测率与误报率。该算法弥补了传统机器学习算法在处理数据量上的局限性。
-
单位江苏联合职业技术学院淮安生物工程分院
