《表3 模型训练耗时:网络攻击检测的门控记忆网络方法》
门控记忆网络中,隐状态维度是影响网络能力的关键参数因子。为了进一步分析该参数变化对性能的影响。本节中固定dropout参数为0.9,低维实值词向量维度为40。测试不同维度条件下模型检测方法的F1分数综合性能。为了进一步说明本文方法的有效性,同时对比不同参数条件下LSTM方法的F1分数,实验结果如图4所示。此外,不同参数条件下,模型训练耗时如表3所示。
图表编号 | XD0090311200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 王家宝、徐伟光、周振吉、李阳、苗壮 |
绘制单位 | 陆军工程大学、陆军工程大学、陆军工程大学、陆军工程大学、陆军工程大学 |
更多格式 | 高清、无水印(增值服务) |