《表5 关于IBRL数据集的算法性能对比》
为了评估NMEA-BP算法性能,分别在上述6个数据集上进行对比实验,结果如表5和表6所示。从表5可以看出,在不同的数据集下,NMEA-BP算法TPR比BP、ELM、SVM算法平均提高了0.8%、1.92%、3.2%;NMEA-BP算法FPR比BP、ELM、SVM算法平均降低了1.65%、2.13%、2.15%。从表5还可以发现,SVM算法在数据集Ⅱ,Ⅲ,Ⅳ上TPR和FPR较好,但SVM算法在数据集Ⅰ上FPR偏高是由于训练样本较少,数据分布不均匀导致的,与NMEA-BP算法对比,FPR相对偏高,TPR稍低。ELM算法在4个数据集上都表现出了较高的TPR,而在数据Ⅰ中FPR相对偏高是由于ELM隐层神经元数目是随机的,建立的检测模型不够稳定,就决定了TPR和FPR的高低。BP算法虽然对于训练集的数据能很好地拟合,但由于数据集Ⅰ的测试数据和异常数据的差距较小,算法求得的置信区间范围较小,导致该数据集的误报率偏高。NMEA-BP算法在数据集Ⅰ上的误报率比BP算法降低了5.8%,这是由于优化后的模型预测更精确,置信区间的范围相对准确。在其他3个数据集上大部分异常样本与正常样本区分度较高,可以很容易检测出来。从表6可以看出,在不同的数据集下,NMEA-BP算法和BP算法均表现出较好的检测结果,而SVM算法和ELM算法的检测率相对偏低,这是数据分布不均匀导致的。因此,NMEA-BP算法具有更好的检测性能。
图表编号 | XD007531700 严禁用于非法目的 |
---|---|
绘制时间 | 2018.05.01 |
作者 | 顾晓勇、李光辉 |
绘制单位 | 江南大学物联网工程学院、江苏省无线传感网高技术研究重点实验室、江南大学物联网工程学院、江苏省无线传感网高技术研究重点实验室、物联网技术应用教育部工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |