[发明专利]一种基于改进深度置信网络的入侵检测方法

摘要

本发明公开了一种基于改进深度置信网络的入侵检测方法，包含以下过程：在连续受限玻尔兹曼机的似然函数中引入稀疏正则项，用对比散度算法进行训练；在受限波尔兹曼机的似然函数中引入稀疏正则项，用对比散度算法进行训练；判断引入稀疏正则项之后的连续受限波尔兹曼机和受限波尔兹曼机是否达到最大训练周期，若达到最大训练周期，则结束训练；否则，继续训练。将训练好的两种模型进行堆叠，最后加一层反向传播神经网络，形成稀疏化的深度置信网络，然后将其应用到入侵检测系统，进行分类检测。本发明将改进的深度置信网络用于入侵检测系统具有较高的分类准确率、较低的误报率以及具有良好的稀疏性能。

主权项

1.一种基于改进深度置信网络的入侵检测方法，其特征在于，该方法包含以下步骤：S1、在连续受限玻尔兹曼机CRBM的似然函数中引入基于拉普拉斯函数的稀疏正则项，构成改进的CRBM，即LS‑CRBM；S2、使用对比散度算法训练LS‑CRBM，通过稀疏约束获得数据集的稀疏分布；S3、在受限波尔兹曼机RBM的似然函数中引入基于拉普拉斯函数的稀疏正则项，构成改进的RBM，即LS‑RBM；S4、使用对比散度算法训练LS‑RBM，通过稀疏约束获得数据集的稀疏分布；S5、判断LS‑CRBM和LS‑RBM的训练是否达到最大训练周期，若两者均达到最大训练周期，转到步骤S6；否则，转到步骤S1；S6、将训练好的LS‑CRBM和LS‑RBM进行堆叠，再加一层反向传播神经网络，构成最终的改进深度置信网络LS‑DBN，进行分类训练；S7、用反向传播算法进行反向微调LS‑DBN模型参数，形成训练好的LS‑DBN模型，然后输入测试集进行快速学习，即可得到每条测试数据的入侵类别。