《表6 关于LWSNDR数据集的算法性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于NMEA-BP的WSN数据流异常检测算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。