一种基于PSO-RBF神经网的入侵检测方法

摘要

针对传统基于K-均值聚类的RBF神经网络训练方法中,隐层参数训练结果易受初始值影响而陷入局部极小解,最终导致整个网络收敛速度慢、性能下降等问题,提出了基于粒子群算法(PSO)和K-均值相结合的径向基神经网络(RBF)训练算法。该算法利用PSO的全局搜索能力形成最优解邻域,K-均值算法在该邻域进行局部搜索,这样既利用了PSO算法的全局最优解搜索能力,同时也利用了K-均值算法收敛速度快的优点。试验结果表明该算法有效地解决了基于K-均值训练算法易陷入局部极小解的不足。文中将基于上述训练方法的RBF神经网应用到入侵检测系统中,试验结果同基于传统K-均值、遗传算法和RPCL算法训练的RBF方法进行比较,结果表明本文建议的方法在检测性能和训练时间上都有明显提高。