科研之友
微信
新浪微博
Facebook
分享链接
摘要
智能制造的迅速发展给网络安全防护带来巨大的机遇与挑战，各类安全威胁会造成严重的损失甚至灾难，已成为工业互联网亟待解决的问题。本文提出一种新的均衡循环神经网络，利用神经网络的适应性特点，采用长短期记忆网络（Long Short-Term Memory，LSTM）的门电路特性，针对工业互联网流数据随着时间推移异常检测准确性较低的问题，通过不同权重与当前输入数据重构得出遗忘门控、输入门控和输出门控。随后通过sigmoid激活函数求得预测结果，并将该结果作为门控循环单元网络（Gated Recurrent Unit， GRU）的网络层输入，由GRU网络层促使当前网络快速拟合，从而较快地获得较优的参数。本方法结合LSTM和GRU的优势，保留LSTM最后时刻的隐藏状态，作为下一层网络GRU的输入，使网络层的连接更加平滑，最大程度地保留LSTM所学习到的参数，获取隐藏特征，既可提高神经网络的精度，又可高效、快速地检测工业互联网络的异常。
- 单位
