期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于超参数优化和LightGBM算法的DDoS攻击检测与分类
1
作者 胡宏伟 孙皓月 《网络安全与数据治理》 2025年第7期15-19,26,共6页
针对分布式拒绝服务攻击(DDoS)数据流量样本容量大、数据特征多的特点以及检测分类准确率低的问题,提出了一种基于LightGBM(Light Gradient Boosting Machine)算法的DDoS攻击检测与分类方法。在CICDDoS2019数据集预处理和特征筛选的基础... 针对分布式拒绝服务攻击(DDoS)数据流量样本容量大、数据特征多的特点以及检测分类准确率低的问题,提出了一种基于LightGBM(Light Gradient Boosting Machine)算法的DDoS攻击检测与分类方法。在CICDDoS2019数据集预处理和特征筛选的基础上,构建LightGBM检测模型和多分类模型。同时在模型预训练时,采用随机网格搜索与贝叶斯超参数优化技术实现超参数自动调优。实验结果表明,该模型在检测与分类任务上能达到98.34%的准确率。该研究为DDoS攻击提供了一种高效且简易的检测与分类思路。 展开更多
关键词 DDOS攻击 超参数优化 lightbgm 检测与分类
在线阅读 下载PDF
基于GWO-LightGBM的冲击地压预测模型 被引量：1
2
作者 郑豫 《赤峰学院学报（自然科学版）》 2022年第10期114-118,共5页
冲击地压的预测是煤矿安全生产的一项重要工作,为了准确快速的预测冲击地压发生的可能性,提出了基于优化轻量型梯度提升机(LightGBM)的预测方法。由于LightGBM的超参数众多,往往依靠人工经验和迭代试错,耗费时间且效果有限,因此优化Ligh... 冲击地压的预测是煤矿安全生产的一项重要工作,为了准确快速的预测冲击地压发生的可能性,提出了基于优化轻量型梯度提升机(LightGBM)的预测方法。由于LightGBM的超参数众多,往往依靠人工经验和迭代试错,耗费时间且效果有限,因此优化LightGBM的超参数对于正确预测冲击地压显得尤为重要。引入灰狼智能优化算法GWO对LightGBM的部分超参数进行快速择优,建立GWO-LightGBM的预测模型,并与支持向量机(svm)和XGboost进行比较,结果表明在准确率、杰卡德相似系数、均方根误差等方面GWO-LightGBM均有更好的表现,进一步说明GWO-LightGBM预测冲击地压有更好的表现。 展开更多
关键词 冲击地压 GWO lightbgm 危险预测
在线阅读 下载PDF
基于用电数据的虚拟货币挖矿用户识别办法
3
作者 周自岚 吴和宇 《江西电力》 2024年第5期56-60,68,共6页
用虚拟货币挖矿已被我国正式列为整治类产业的背景下,基于用电数据对挖矿用户相关行为分析成为国家电网公司重点研究方向。针对国内现有挖矿行为用户检测识别技术的准确性不高、挖矿行为特征不全等问题,提出了一种融合SMOTE过采样、OSS... 用虚拟货币挖矿已被我国正式列为整治类产业的背景下,基于用电数据对挖矿用户相关行为分析成为国家电网公司重点研究方向。针对国内现有挖矿行为用户检测识别技术的准确性不高、挖矿行为特征不全等问题,提出了一种融合SMOTE过采样、OSS欠采样与贝叶斯优化调参,基于LightBGM的挖矿用户识别模型。该模型首先提取一定区域内用户用电数据的时间序列和相似度特征,将月度用电特征、日用电特征和用户信息特征合并,形成70个特征;其次通过SMOTE过采样办法,使得正负样本数量平衡,运用OSS欠采样,去除正负样本中的重叠边界样本;最后运用贝叶斯优化办法进行模型参数调优,LightBGM模型对数据训练分类。结果表明,该挖矿用户识别模型F1值为0.952,准确率比一般模型提高11%,证明该挖矿用户识别模型可以提升挖矿用户识别准确度,助力政府部门对虚拟货币挖矿行为的监管效率。 展开更多
关键词 虚拟货币 挖矿 用电数据 用户识别 lightbgm
在线阅读 下载PDF
基于RF-LightGBM算法在风机叶片开裂故障预测中的应用 被引量：18
4
作者 陈维刚 张会林 《电子测量技术》 2020年第1期162-168,共7页
针对SCADA系统采集的数据繁杂,难以从原始数据判别工作中风机叶片开裂状态的问题,提出了一种对风机叶片状态进行分类预测的随机森林(RF)算法与LightGBM算法结合的模型。首先对SCADA数据进行预处理,特征变换,采用RF算法对特征进行重要性... 针对SCADA系统采集的数据繁杂,难以从原始数据判别工作中风机叶片开裂状态的问题,提出了一种对风机叶片状态进行分类预测的随机森林(RF)算法与LightGBM算法结合的模型。首先对SCADA数据进行预处理,特征变换,采用RF算法对特征进行重要性排序;然后利用清洗后的数据训练该分类预测模型,利用K折交叉验证法对模型进行验证调优;最后用测试数据集对叶片状态进行预测,依靠F1-score指标对模型性能进行评价。实验结果表明,数据处理后,模型性能明显提高,较XGBoost与GBDT算法分别提高了11%、16%,与传统的叶片状态识别方法相比,该算法能够更加快速精准的在线预测出风机叶片开裂状态,为风电场对风机叶片状态监测检修提供更可靠的参考依据。 展开更多
关键词 LightGBM SCADA F1-score 随机森林 风机叶片 故障预测
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部