《表5 预测结果：粗糙集属性约简的极限学习机网络入侵检测算法》

  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

《粗糙集属性约简的极限学习机网络入侵检测算法》

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

在实验中进行粗糙集的属性核，其方法为根据粗糙集分辨矩阵和粗糙集正域法相结合获得属性核（绝对核），表2为分别使用正域、分辨矩阵、两者相结合获得属性核。正域获得的核U2={A2，A3，A5，A6，A12，A13，A17，A27，A29，A30，A31}；分辨矩阵获得U1={A1，A3，A4，A5，A12，A13，A24，A27，A28，A36}；正域和分辨矩阵相结合的核U3={A3，A5，A12，A13，A27}，但是计算其依赖度ku3小于依赖度阈值ε，可知需要在U3中加入一个除U3集合外的一个属性重要度最大的属性，然后重新计算其依赖度，直到依赖度大于ε，获得的核U={A3，A5，A12，A13，A27，A29}。再通过原始数据和绝对核集合U生成属性核对应的数据集。使用MATLAB2014a完成SVM，BP，ELM模型的生成。根据各个属性核生成数据集在SVM，ELM，BP分类模型下训练时间如表3所示。利用原始数据生成的SVM，ELM，BP模型其预测结果分类，及利用粗糙集分辨矩阵生成的属性核由SVM，ELM，BP多种模型其预测结果分类如表4。利用粗糙集正域生成的属性核使用SVM，ELM，BP模型其预测结果分类和利用粗糙集正域和分辨矩阵结合法生成绝对属性核，由SVM，ELM，BP分类模型其预测结果分类如表5。