【技术实现步骤摘要】
本专利技术属于网络流量分类，具体涉及一种基于apso-cnn的网络流量分类方法。
技术介绍
1、卷积神经网络作为一种强大的模型，已经在图像识别、图像分类、目标检测等任务中取得了显著的成果。为了提高cnn模型的性能和训练效率，许多优化算法被提出和应用。然而，它们在处理复杂的非凸优化问题时存在易陷入局部最优解、收敛速度较慢等问题。
2、粒子群优化算法（pso）模拟了鸟群或鱼群等群体在搜索空间中寻找最优解的行为。其主要特点是简单、易于实现，且不依赖问题的梯度信息，具有全局搜索能力，能够在复杂的搜索空间中找到较好的解，尤其在连续优化问题中表现出色。然而，由于pso算法对问题的解空间没有显式的建模，所以它在处理高维、非凸优化问题时也可能陷入局部最优解。
3、尽管传统的网络流量分类方法取得了一些成果，但随着网络流量数据集规模的增大和数据复杂性的增加，传统的网络流量分类方法在处理高维复杂数据或大规模数据时面临着模型参数的选择以及对大规模数据的扩展性问题，导致网络流量分类准确性不够高。
技术实现思路<
本文档来自技高网...
【技术保护点】
1.一种基于APSO-CNN的网络流量分类方法，其特征在于，该方法步骤包括以下步骤：
2.根据权利要求1所述的一种基于APSO-CNN的网络流量分类方法，其特征在于，步骤（2）的具体方法为：随机选取一组粒子作为粒子群的初始位置和速度，并将其所处位置作为历史最优位置，其中，初始速度采用随机数，将和初始化，即，最大惯性权重和最小惯性权重分别设置为，将CNN在第一个训练周期的交叉熵函数值设置为粒子的适应度函数值。
3.根据权利要求2所述的一种基于APSO-CNN的网络流量分类方法，其特征在于，步骤（3）中，计算第个粒子到所有其它粒子之间的平均距离为：
4.根...
【技术特征摘要】
1.一种基于apso-cnn的网络流量分类方法，其特征在于，该方法步骤包括以下步骤：
2.根据权利要求1所述的一种基于apso-cnn的网络流量分类方法，其特征在于，步骤（2）的具体方法为：随机选取一组粒子作为粒子群的初始位置和速度，并将其所处位置作为历史最优位置，其中，初始速度采用随机数，将和初始化，即，最大惯性权重和最小惯性权重分别设置为，将cnn在第一个训练周期的交叉熵函数值设置为粒子的适应度函数值。
3.根据权利要求2所述的一种基于apso-cnn的网络流量分类方法，其特征在于，步骤（3）中，计算第个粒子到所有其它粒子之间的平均距离为：
4.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。