为提高物联网入侵检测模型的综合性能,将残差神经网络(Residual Networks,ResNet)与双向长短时记忆(Long-Short Term Memory,LSTM)网络融合,构建物联网入侵检测分类模型.针对大规模物联网流量快速批量处理问题,在对原始数据进行清洗、...
详细信息
为提高物联网入侵检测模型的综合性能,将残差神经网络(Residual Networks,ResNet)与双向长短时记忆(Long-Short Term Memory,LSTM)网络融合,构建物联网入侵检测分类模型.针对大规模物联网流量快速批量处理问题,在对原始数据进行清洗、转换等预处理基础上,提出将多条流量样本转换为灰度图,并利用基于ResNet和双向LSTM融合的深度学习方法构建物联网入侵检测分类模型.对分类模型的网络结构、可复用性进行综合优化实验,得到最终优化模型,分类准确率达到96.77%,综合优化后的模型构建时间为39.85 s.与其他机器学习算法结果相比,该优化方法在分类准确率和效率两个方面取得了很好的效果,综合性能优于传统的入侵检测分类模型.
为了更详尽地描述仿真误差,对基于三元组的半实物射频仿真的仿真角度误差二维联合概率密度函数(probability density function,PDF)进行了详细研究,给出了仿真误差的方向性分布。基于重心公式,在设定馈电幅度相对误差满足高斯分布的基础...
详细信息
为了更详尽地描述仿真误差,对基于三元组的半实物射频仿真的仿真角度误差二维联合概率密度函数(probability density function,PDF)进行了详细研究,给出了仿真误差的方向性分布。基于重心公式,在设定馈电幅度相对误差满足高斯分布的基础上,给出了两个角度方向上的仿真角度误差的联合PDF。结果表明,三元组对不同方向处的点目标的仿真误差二维联合PDF存在差异;两个角度方向上的仿真角度误差会存在相关性,且该相关性会随点目标位置的不同而不同。由于平行于航迹方向与垂直于航迹方向的角度误差对系统的影响不同,该工作有利于对于半实物射频仿真的等效性进行更精细的评估。
暂无评论