排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题，提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进，利用改进后的粒子群算法优化BP神经网络权值和阈值，引入WSN数据融合中，簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取，将融合后的数据发送至汇聚节点。仿真实验表明，BSO-BP算法能有效地提高融合精度和收敛速度，减少冗余数据传输，延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法，BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。 相似文献
2.
准确的流量分类是网络管理和网络安全的有效保障。近年来基于机器学习的网络流量分类备受关注，特征选择对于机器学习的分类效果有重要影响。但使整体分类性能达到最优的特征选择子集，并不一定使特定类别的分类性能达到最佳，这降低了分类性能可达到的上限，对此提出基于改进的一对一算法的流量分类模型。首先采用一对一的思想将流量多分类任务拆解为多个相互独立的二分类子任务，分别对任意两类流量进行特征选择和流量分类。所有子任务的分类结果采用Stacking策略结合。实验表明，多种机器学习算法与特征选择算法应用于该模型的准确度较经典模型均有提升。 相似文献
1