基于改进在线序列极限学习机的AMI入侵检测算法
来源：计算机工程杂志2020年第9期北京时间：
作者：刘菲菲, 伍忠东, 丁龙斌, 张凯
单位：兰州交通大学 电子与信息工程学院, 兰州 730070
摘要：针对智能电网高级量测体系（AMI）与计算机网络互联通信中存在的安全威胁，提出一种基于改进在线序列简化极核极限学习机（DBN-OS-RKELM）的AMI入侵检测算法。将采集到的历史网络日志数据通过深度信念网络进行重要特征提取，并在特征学习过程中实现高维数据的低维表示以减少冗余特征，同时将当前新到达的网络日志数据添加到DBN-OS-RKELM网络中进行输出权重的实时更新，从而完成AMI入侵检测的分类。实验结果表明，与基于极限学习机和在线序列极限学习机等的入侵检测算法相比，基于DBN-OS-RKELM的入侵检测算法具有更好的泛化能力与更快的学习速率，且提高了入侵检测准确率。
关键词：高级量测体系,深度信念网络,极限学习机,在线学习,入侵检测
基金资助：甘肃省高等学校创新团队项目（2017C-09）；兰州市科技局科技项目（2018-1-51）。
