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;