《表2 三种建模方法对比：一种基于深度学习的网络异常行为检测方法》
提示：宽带有限、当前游客访问压缩模式
未来验证本文基于DNN的异常行为检测模型的效果，都采用本文的数据预处理方法，对比测试了基于DBN和SVM算法的两种情况，性能对比如表2所示：
| 图表编号 | XD00173774500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.01 |
| 作者 | 李铮、傅阳 |
| 绘制单位 | 中国电子科技集团公司第十研究所、电子科技大学计算机科学与工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表6 测试时间对比表：MSE＿BLS:一种基于宽度学习系统的异常流量检测方法》2020.04.01
- 《表1 数据集介绍：MSE＿BLS:一种基于宽度学习系统的异常流量检测方法》2020.04.01
- 《表1 冗余特征约简对比：一种基于深度学习的网络异常行为检测方法》2020.08.01
- 《表2 三种方法实验数据：基于深度学习优化YOLOV3算法的芳纶带检测算法研究》2020.04.15
- 《表1 特征选项：基于深度学习的网络流量异常预测方法》2020.03.15
- 《表1 人脸检测结果：基于深度学习的驾驶员打电话行为检测方法》2019.12.05
- 《表3 算法对比：基于深度学习的驾驶员打电话行为检测方法》2019.12.05
- 《表2 网络学习参数设置：基于深度自编码器的大型龙门加工中心热误差建模方法》2019.10.25
- 《表1 训练样本情况表：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表3 算法准确率比较：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表2 模型测试结果：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表2 整个模型性能：基于机器学习的工业控制网络异常检测方法》2019.06.10
- 《表1 计算机硬件配置：基于深度学习的输变电设备异常发热点红外图片目标检测方法》2019.02.20
- 《表1 CNN经典模型：一种基于鼠标行为的云用户异常检测方法》2019.08.01
- 《表4 上帝类检测结果：一种基于深度学习的上帝类检测方法》2019.05.01
- 《表1 度量项：一种基于深度学习的上帝类检测方法》2019.05.01
- 《表1 实验数据明细：基于深度学习的窃电行为检测方法》2019.02.25
- 《表4 综合对比：一种基于深度学习的禁飞区无人机目标识别方法》2018.06.01
- 《表1 攻击分布：基于深度学习的Wi-Fi网络入侵检测方法》2019.12.16
- 《表3 分类器性能对比：基于深度学习的Wi-Fi网络入侵检测方法》2019.12.16