1.基于伪标签半监督多层极限学习机的网络入侵检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于伪标签半监督多层极限学习机的网络入侵检测方法，其特征在于：所述极限学习机作为无需迭代微调的特殊单隐含层前馈神经网络，elm随机赋值隐含层输入权值与偏置，并通过最小二乘法求解输出权值，完成网络的训练；
3.如权利要求2所述基于伪标签半监督多层极限学习机的网络入侵检测方法，其特征在于：所述elm-ae将自编码器与elm相结合，通过无监督模式快速学习样本的特征表示，elm-ae包括编码器与解码器；编码器对样本进行编码，学习样本内在特征的抽象表示；解码器对编码进行解码，确定特征到样本的重构映射；假设各层节点数分别为d，l，d，对于输入样本elm-ae的隐含层输出的计算方法及其与网络输出之间的关系为：
4.如权利要求3所述基于伪标签半监督多层极限学习机的网络入侵检测方法，其特征在于：所述pl-ml-elm引入伪标签技术，通过在有标签样本上训练的网络赋予无标签样本以伪标签，并构造伪标签正则化损失，利用伪标签指导所有样本的半监督特征学习与分类过程。
5.如权利要求4所述基于伪标签半监督多层极限学习机的网络入侵检测方法，其特征在于：所述pl-ml-elm可分为无监督预训练、有监督训练、伪标签生成与伪标签训练；设定有标签样本{xl,yl}与无标签样本xu，隐含层节点数d,l1,l2,...,lk,l,m，激活函数g(·)；
6.如权利要求5所述基于伪标签半监督多层极限学习机的网络入侵检测方法，其特征在于：所述pl-ml-elm的训练流程中，输入有标签样本{xl,yl}，无标签样本xu，隐含层节点数正则化系数c，正则化系数λ，激活函数g(·)；输出映射函数f:rd→rm；