基于模糊积分的多神经网络融合模型的研究

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (34): 165-167.

基于模糊积分的多神经网络融合模型的研究

傅玥,安素芳,柴变芳,胡吉朝

石家庄经济学院信息工程学院，石家庄 050031

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-01 发布日期:2007-12-01
通讯作者: 傅玥

Research on model of combining multiple neural networks by fuzzy integral

FU Yue,AN Su-fang,CHAI Bian-fang,HU Ji-chao

Department of Information Engineering，Shijiazhuang University of Economics，Shijiazhuang 050031，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-01 Published:2007-12-01
Contact: FU Yue

摘要/Abstract

摘要： 为了进一步提高网络入侵检测系统的检测性能，将模糊积分理论和神经网络技术应用到网络入侵检测中，提出了基于模糊积分的多神经网络融合模型MNNF。它的基本思想是按照TCP/IP属性集的类别不同将TCP/IP数据集分成三个不同属性集的子数据集，在不同属性集上训练形成不同的子神经网络，然后用模糊积分将多个子神经网络对TCP/IP数据的检测结果进行非线性融合形成最优判断。实验结果表明，MNNF模型应用在网络入侵检测中可以得到比单个神经网络更好的入侵检测性能。

关键词: 模糊积分, 神经网络, 入侵检测

Abstract: The model of Multiple Neural Networks by Fuzzy（MNNF） integral presented in this paper is an effective method to improve the detection performance of network intrusion detection system.The basic idea of MNNF is to divide TCP/IP dataset into three sub-datasets according to different attributes of TCP/IP data，train on different sub-datasets and construct different sub-neural networks separately，and detect TCP/IP data by different sub-neural networks，and then nonlinearly combine the results from multiple sub-neural networks by fuzzy integral.The experiment results show that this technique is superior to the single neural networks for network intrusion detection in terms of classification accuracy.

Key words: fuzzy integral, neural network, intrusion detection

傅玥,安素芳,柴变芳,胡吉朝. 基于模糊积分的多神经网络融合模型的研究[J]. 计算机工程与应用, 2007, 43(34): 165-167.

FU Yue,AN Su-fang,CHAI Bian-fang,HU Ji-chao. Research on model of combining multiple neural networks by fuzzy integral[J]. Computer Engineering and Applications, 2007, 43(34): 165-167.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[14]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.
[15]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.