本發(fā)明涉及網(wǎng)絡(luò)安全評估領(lǐng)域，具體涉及一種網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法。

背景技術(shù)：

隨著網(wǎng)絡(luò)發(fā)展，人們的日常生活越來越依賴互聯(lián)網(wǎng)，與此同時(shí)，各種新型攻擊手段層出不窮，僅憑單一的防御手段很難解決這些安全問題，在這種嚴(yán)峻的環(huán)境下，網(wǎng)絡(luò)安全態(tài)勢感知技術(shù)得到了廣泛應(yīng)用。作為態(tài)勢感知的核心技術(shù)，態(tài)勢預(yù)測是通過分析歷史和當(dāng)前的態(tài)勢信息，并加以一定技術(shù)手段來實(shí)現(xiàn)未來事件的有效預(yù)測。

為解決態(tài)勢預(yù)測的一系列技術(shù)難題，國內(nèi)外眾多學(xué)者開始對預(yù)測方法進(jìn)行深入研究，Olabelurin等利用DDOS攻擊的特性，提出一種基于熵聚類的預(yù)測模型，并在真實(shí)網(wǎng)絡(luò)中進(jìn)行了驗(yàn)證；Pontes等考慮到數(shù)據(jù)源間的關(guān)聯(lián)性，采用事件分析系統(tǒng)對網(wǎng)絡(luò)安全進(jìn)行預(yù)測；文志誠等通過建立隱馬爾科夫模型，形成安全態(tài)勢的前后依賴關(guān)系，從而對未來安全態(tài)勢進(jìn)行可靠性預(yù)測；趙國生等引入灰色理論，運(yùn)用具有殘差修正功能的非等時(shí)距Verhulst模型，對網(wǎng)絡(luò)態(tài)勢的規(guī)律進(jìn)行了發(fā)掘；Elattar E等針對網(wǎng)絡(luò)態(tài)勢值非線性的特點(diǎn)，構(gòu)建了層次化的網(wǎng)絡(luò)結(jié)構(gòu)評估模型，并利用支持向量機(jī)對網(wǎng)絡(luò)態(tài)勢值進(jìn)行回歸性預(yù)測。

預(yù)測方法種類繁多，神經(jīng)網(wǎng)絡(luò)因其高度的自適應(yīng)性和自學(xué)習(xí)能力，以及對非線性函數(shù)具有較強(qiáng)的逼近能力等優(yōu)點(diǎn)，在態(tài)勢預(yù)測領(lǐng)域得到了廣泛運(yùn)用，但隨著網(wǎng)絡(luò)的日趨復(fù)雜化，利用傳統(tǒng)方法得到的神經(jīng)網(wǎng)絡(luò)參數(shù)可能存在較大偏差，從而導(dǎo)致預(yù)測結(jié)果不能成為網(wǎng)絡(luò)安全管理員做出正確決策的依據(jù)。

將人工智能優(yōu)化算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)，可以在很大程度上解決參數(shù)尋優(yōu)的問題，但依舊可能出現(xiàn)預(yù)測精度不夠、收斂速度過慢、容易陷入局部最優(yōu)和早熟收斂等問題，如何解決這些難題，成為學(xué)者研究智能優(yōu)化算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的關(guān)鍵。

技術(shù)實(shí)現(xiàn)要素：

為解決以上技術(shù)問題，本發(fā)明的目的是提供一種基于改進(jìn)小生境遺傳算法(INGA)優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的態(tài)勢預(yù)測方法，可以更好地維持了種群多樣性，在提升收斂速度的同時(shí)，也避免了早熟收斂的問題。

本發(fā)明為解決上述技術(shù)問題，提供一種基于改進(jìn)小生境遺傳算法(INGA)優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的態(tài)勢預(yù)測方法，包括：

步驟A、對采集的漏洞、流量、入侵檢測系統(tǒng)等數(shù)據(jù)進(jìn)行態(tài)勢要素獲取，將得到的態(tài)勢要素通過層次化網(wǎng)絡(luò)安全態(tài)勢評估量化方法對收集到的要素信息進(jìn)行評估量化處理；

步驟B、根據(jù)非線性逼近能力、收斂速度，選擇合適的神經(jīng)網(wǎng)絡(luò)和結(jié)構(gòu)進(jìn)行預(yù)測；

步驟C、根據(jù)選定神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)構(gòu)造個(gè)體適應(yīng)度函數(shù),并進(jìn)行遺傳操作；

步驟D、引入動態(tài)模糊聚類的小生境技術(shù)，并定義淘汰規(guī)則對差異化明顯的小生境施行剔除，尋找符合條件的小生境；

步驟E、輸入通過評估處理獲得相應(yīng)的網(wǎng)絡(luò)安全測試集到有最優(yōu)權(quán)值和閾值的小波神經(jīng)網(wǎng)絡(luò)WNN網(wǎng)絡(luò)當(dāng)中去，得到預(yù)測態(tài)勢值。

優(yōu)選地，所述根據(jù)非線性逼近能力、收斂速度，選擇合適的神經(jīng)網(wǎng)絡(luò)和結(jié)構(gòu)進(jìn)行預(yù)測，包括：

步驟B1、根據(jù)不同神經(jīng)網(wǎng)絡(luò)的不同非線性擬合能力和容錯(cuò)能力，確定選取小波神經(jīng)網(wǎng)絡(luò)和采用緊致型的三層前饋結(jié)構(gòu)進(jìn)行研究，其中輸入層共m個(gè)節(jié)點(diǎn)，隱含層h個(gè)節(jié)點(diǎn)，輸出層n個(gè)節(jié)點(diǎn)；

步驟B2、隱含層階段選取Morlet函數(shù)作為母小波的小波基函數(shù)，其數(shù)學(xué)公式如下所示：

ψ(x)＝cos(1.75x)exp(-x²/2)；

步驟B3、根據(jù)Kolmogorov理論，由輸入層節(jié)點(diǎn)數(shù)確定隱含層節(jié)點(diǎn)數(shù)，計(jì)算公式如下所示：

h＝2m+1；

步驟B4、輸出層階段采用Sigmoid函數(shù)，WNN的最終輸出結(jié)果由小波基函數(shù)擬合，公式如下所示：

其中，m表示輸入層節(jié)點(diǎn)個(gè)數(shù)，h表示隱含層節(jié)點(diǎn)數(shù)，a₁～a_h、b₁～b_h分別是伸縮參數(shù)和平移參數(shù)，w₁₁～w_hm、w'₁₁～w'_hn分別表示輸入層與隱含層、隱含層與輸出層之間的網(wǎng)絡(luò)連接權(quán)值。

優(yōu)選地，所述根據(jù)選定神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)構(gòu)造個(gè)體適應(yīng)度函數(shù)，并進(jìn)行遺傳操作所使用的的相空間重構(gòu)方法包括：

步驟C1、根據(jù)神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)構(gòu)造個(gè)體適應(yīng)度函數(shù)：

通過適應(yīng)度函數(shù)獲得所有個(gè)體的適應(yīng)度值之后，采取降序排列，同時(shí)對前Q個(gè)個(gè)體進(jìn)行存儲，其中

Y_t為輸出層的第t個(gè)節(jié)點(diǎn)的實(shí)際輸出量，Y_t'為第t個(gè)節(jié)點(diǎn)的期望輸出量；

步驟C2、使用GA算法獲取到大規(guī)模復(fù)雜網(wǎng)絡(luò)的全局最優(yōu)解，遺傳操作包括選擇、交叉、變異三個(gè)部分。

優(yōu)選地，使用GA算法獲取到大規(guī)模復(fù)雜網(wǎng)絡(luò)的全局最優(yōu)解，遺傳操作包括:

步驟C21、對種群進(jìn)行初始化，根據(jù)要求對種群進(jìn)行編碼，將所要解決的問題以合適的方式進(jìn)行編碼后呈現(xiàn)給計(jì)算機(jī)；

步驟C22、采用期待值法進(jìn)行選擇，期待值計(jì)算公式如下所示：

式中，f_sum表示種群中所有個(gè)體的適應(yīng)度值總和，f_i為個(gè)體i的適應(yīng)度值，N代表種群的個(gè)體總數(shù)，同時(shí)，對q_i進(jìn)行四舍五入后使用優(yōu)勢個(gè)體保留機(jī)制，將當(dāng)代適應(yīng)度值最高的個(gè)體直接遺傳給下一代；

步驟C23、采用自適應(yīng)方法對交叉算子和變異算子進(jìn)行處理，分別定義自適應(yīng)p_c和自適應(yīng)p_m的調(diào)整公式為：

式中，α₁、α₂、β₁、β₂分別為(0,1)之間的一個(gè)值，f_max是種群個(gè)體的最大適應(yīng)度值，f_avg表示種群的平均適應(yīng)度值，由f'定義交叉操作前兩個(gè)父代中較大的適應(yīng)度值，f代表發(fā)生變異個(gè)體的適應(yīng)度值。

優(yōu)選地，采用自適應(yīng)方法對交叉算子和變異算子進(jìn)行處理，分別定義自適應(yīng)p_c和自適應(yīng)p_m的調(diào)整公式包括，α₁、α₂取0.8、0.5，β₁、β₂取0.05、0.001。

優(yōu)選地，所述引入動態(tài)模糊聚類的小生境技術(shù)，包括

步驟D1、針對一個(gè)包含N個(gè)Chromlen維度個(gè)體的種群，首先對個(gè)體的實(shí)數(shù)基因碼制使用以下公式進(jìn)行歸一化處理：

其中，x_pj表示個(gè)體x_p的第j位置的基因碼制，x_pjmax和x_pjmin分別表示x_p在第j位置基因碼制中的最大值和最小值；

步驟D2、根據(jù)歸一化的結(jié)果，建立個(gè)體間的模糊相似矩陣R，計(jì)算公式如下所示：

通過尋找包含模糊相似矩陣R的最小傳遞閉包，獲得了相應(yīng)的模糊等價(jià)矩陣T，并利用T進(jìn)行種群的聚類；

步驟D3、比較相似度系數(shù)λ與每對個(gè)體間的等價(jià)系數(shù)T_pq，若λ≤T_pq，則將個(gè)體x_p和x_q劃分為同一小生境，依此類推，直到所有個(gè)體均被劃分到小生境中，即根據(jù)每代的模糊等價(jià)矩陣以及種群個(gè)體數(shù)，對相似度系數(shù)λ動態(tài)更新，計(jì)算公式如下所示：

式中T_maxj表示最大適應(yīng)度值個(gè)體x_max與個(gè)體x_j之間的等價(jià)系數(shù)，

步驟D4、通過每個(gè)小生境中個(gè)體適應(yīng)度值大小的比較，對適應(yīng)度值相對較小的個(gè)體施加懲罰因子，即min{f_p...f_q}＝penalty*min{f_p...f_q}，其中f_p、f_q分別表示個(gè)體x_p和x_q的適應(yīng)度值，penalty是一個(gè)較強(qiáng)的懲罰因子；

步驟D5、定義種群熵d_t進(jìn)行多樣性的比較，p_n＝L_mn/N，其中Q代表第t代中存在子種群的個(gè)數(shù)，L_mn表示第m代中的第n個(gè)子種群的個(gè)體數(shù)，N為種群的總個(gè)體數(shù)，d越大說明多樣性越高。

若某小生境與其它小生境的適應(yīng)度值滿足，即

|f_i-f_max|<f_default

則用滿足適應(yīng)度要求的個(gè)體進(jìn)行替換，即

f_i＝f_niche(i)(1≤i≤n)

f_niche＝(f₁',f₂',f₃'...f_n')

式中，f_max是同代中最高適應(yīng)度值，定義適應(yīng)度的默認(rèn)閾值為f_default，f_niche(i)表示替代小生境的第i個(gè)個(gè)體的適應(yīng)度值；

步驟D6、如果所得個(gè)體未達(dá)到終止條件的要求，則將前代排序后的pop_i作為新種群，且遺傳代數(shù)加1，同時(shí)，遺傳進(jìn)程返回繼續(xù)遺傳操作，直至達(dá)到終止條件，結(jié)束算法流程，獲得優(yōu)化后的WNN參數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明達(dá)到的有益效果是：

本發(fā)明提供了一種改進(jìn)的小生境遺傳算法與小波神經(jīng)網(wǎng)絡(luò)結(jié)合的預(yù)測方法，通過采集網(wǎng)絡(luò)和主機(jī)的異常信息，過濾網(wǎng)絡(luò)安全威脅報(bào)警事件，從而建立預(yù)測模型的訓(xùn)練樣本集；本發(fā)明采用具有較強(qiáng)非線性擬合能力和容錯(cuò)性能的小波神經(jīng)網(wǎng)絡(luò)對安全態(tài)勢進(jìn)行預(yù)測，并通過自適應(yīng)遺傳算法對傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化；考慮到自適應(yīng)遺傳算法收斂速度較慢、易陷入早熟的問題，因此引入一種新的動態(tài)模糊聚類和淘汰規(guī)則的小生境技術(shù)，對其進(jìn)行優(yōu)化；本發(fā)明能夠提高遺傳算法的尋優(yōu)能力及收斂速度，通過提高種群多樣性，解決了遺傳算法易陷入早熟收斂的問題，并能更準(zhǔn)確地實(shí)現(xiàn)網(wǎng)絡(luò)安全態(tài)勢的預(yù)測。

附圖說明

圖1是本發(fā)明提供的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法的流程圖；

圖2是INGA-WNN、GA-WNN、GA-BP三種算法收斂速度圖；

圖3是WNN收斂速度圖；

圖4是本發(fā)明與WNN、GA-BP和GA-WNN安全態(tài)勢預(yù)測仿真比較圖；

圖5是本發(fā)明與WNN、GA-BP和GA-WNN的絕對誤差比較圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，下面結(jié)合附圖對本發(fā)明的具體實(shí)施方式作進(jìn)一步說明。

本發(fā)明采用具有較強(qiáng)非線性擬合能力和容錯(cuò)性能的小波神經(jīng)網(wǎng)絡(luò)對安全態(tài)勢進(jìn)行預(yù)測，通過自適應(yīng)遺傳算法對傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，并引入了一種新的動態(tài)模糊聚類和淘汰規(guī)則的小生境技術(shù)。最后使用本發(fā)明對下一時(shí)刻的網(wǎng)絡(luò)安全態(tài)勢值預(yù)測，圖1為本發(fā)明提供的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法的流程圖，該方法包括以下步驟：

步驟1：對采集的漏洞、流量、入侵檢測系統(tǒng)等數(shù)據(jù)進(jìn)行態(tài)勢要素獲取，將得到的態(tài)勢要素通過層次化網(wǎng)絡(luò)安全態(tài)勢評估量化方法對收集到的要素信息進(jìn)行評估量化處理；

步驟2：根據(jù)非線性逼近能力、收斂速度，選擇合適的神經(jīng)網(wǎng)絡(luò)和結(jié)構(gòu)進(jìn)行預(yù)測；

步驟3：根據(jù)選定神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)構(gòu)造個(gè)體適應(yīng)度函數(shù),并進(jìn)行遺傳操作；

步驟4：引入動態(tài)模糊聚類的小生境技術(shù)，并定義淘汰規(guī)則對差異化明顯的小生境施行剔除，尋找符合條件的小生境；

步驟5，輸入通過評估處理獲得相應(yīng)的網(wǎng)絡(luò)安全測試集到有最優(yōu)權(quán)值和閾值的WNN網(wǎng)絡(luò)當(dāng)中去，得到預(yù)測態(tài)勢值。

根據(jù)本發(fā)明，其中，步驟2進(jìn)一步包括以下步驟：

步驟2-1，根據(jù)不同神經(jīng)網(wǎng)絡(luò)的不同非線性擬合能力和容錯(cuò)能力，確定選取具有較強(qiáng)的小波神經(jīng)網(wǎng)絡(luò)，并采用緊致型的三層前饋結(jié)構(gòu)進(jìn)行研究，其中輸入層共m個(gè)節(jié)點(diǎn)，隱含層h個(gè)節(jié)點(diǎn)，輸出層n個(gè)節(jié)點(diǎn)；

步驟2-2，隱含層階段選取Morlet函數(shù)(Morlet小波函數(shù))作為母小波的小波基函數(shù)，其數(shù)學(xué)公式如下所示；

ψ(x)＝cos(1.75x)exp(-x²/2)

步驟2-3，根據(jù)Kolmogorov理論(卡姆理論)，由輸入層節(jié)點(diǎn)數(shù)確定隱含層節(jié)點(diǎn)數(shù)，計(jì)算公式如下所示：

h＝2m+1

步驟2-4，輸出層階段采用Sigmoid函數(shù)，WNN的最終輸出結(jié)果由小波基函數(shù)擬合，公式如下所示：

其中，m表示輸入層節(jié)點(diǎn)個(gè)數(shù)，h表示隱含層節(jié)點(diǎn)數(shù)，a₁～a_h、b₁～b_h分別是伸縮參數(shù)和平移參數(shù)，w₁₁～w_hm、w'₁₁～w'_hn分別表示輸入層與隱含層、隱含層與輸出層之間的網(wǎng)絡(luò)連接權(quán)值。

根據(jù)本發(fā)明，其中，步驟3具體包括以下步驟：

步驟3-1：根據(jù)神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)構(gòu)造個(gè)體適應(yīng)度函數(shù)：

通過適應(yīng)度函數(shù)獲得所有個(gè)體的適應(yīng)度值之后，采取降序排列，同時(shí)對前Q個(gè)個(gè)體進(jìn)行存儲，其中

式中：Y_t為輸出層的第t個(gè)節(jié)點(diǎn)的實(shí)際輸出量，Y_t'為第t個(gè)節(jié)點(diǎn)的期望輸出量；

步驟3-2：使用GA算法(遺傳算法)獲取到大規(guī)模復(fù)雜網(wǎng)絡(luò)的全局最優(yōu)解，遺傳操作主要包括選擇、交叉、變異三個(gè)部分。

所述步驟3-2中遺傳操作具體步驟為：

步驟3-2-1，對種群進(jìn)行初始化，根據(jù)要求對種群進(jìn)行編碼，將所要解決的問題以合適的方式進(jìn)行編碼后呈現(xiàn)給計(jì)算機(jī)；

步驟3-2-2，采用期待值法進(jìn)行選擇，期待值計(jì)算公式如下所示：

式中，f_sum表示種群中所有個(gè)體的適應(yīng)度值總和，f_i為個(gè)體i的適應(yīng)度值，N代表種群的個(gè)體總數(shù)，同時(shí)，對q_i進(jìn)行四舍五入。

同時(shí)使用優(yōu)勢個(gè)體保留機(jī)制，將當(dāng)代適應(yīng)度值最高的個(gè)體直接遺傳給下一代；

步驟3-2-3，采用自適應(yīng)方法對交叉算子和變異算子進(jìn)行處理，分別定義自適應(yīng)p_c和自適應(yīng)p_m的調(diào)整公式為：

式中，α₁、α₂、β₁、β₂分別為(0,1)之間的一個(gè)值，文中α₁、α₂取0.8、0.5，β₁、β₂取0.05、0.001，f_max是種群個(gè)體的最大適應(yīng)度值，f_avg表示種群的平均適應(yīng)度值，由f'定義交叉操作前兩個(gè)父代中較大的適應(yīng)度值，f代表發(fā)生變異個(gè)體的適應(yīng)度值。

根據(jù)本發(fā)明，本發(fā)明步驟4具體包括如下步驟：

步驟4-1，針對一個(gè)包含N個(gè)Chromlen維度個(gè)體的種群，首先對個(gè)體的實(shí)數(shù)基因碼制按進(jìn)行歸一化處理，其中，x_pj表示個(gè)體x_p的第j位置的基因碼制，x_pjmax和x_pjmin分別表示x_p在第j位置基因碼制中的最大值和最小值；

步驟4-2根據(jù)歸一化的結(jié)果，建立個(gè)體間的模糊相似矩陣R，計(jì)算公式如下所示：

模糊相似矩陣滿足自反性和對稱性，模糊等價(jià)矩陣可以更好地解決小生境問題，因此，通過尋找包含模糊相似矩陣R的最小傳遞閉包，獲得了相應(yīng)的模糊等價(jià)矩陣T，并利用T進(jìn)行種群的聚類；

步驟4-3，比較相似度系數(shù)λ與每對個(gè)體間的等價(jià)系數(shù)T_pq，若λ≤T_pq，則將個(gè)體x_p和x_q劃分為同一小生境，依此類推，直到所有個(gè)體均被劃分到小生境中。

根據(jù)每代的模糊等價(jià)矩陣以及種群個(gè)體數(shù)，對相似度系數(shù)λ動態(tài)更新，計(jì)算公式如下所示：

式中T_maxj表示最大適應(yīng)度值個(gè)體x_max與個(gè)體x_j之間的等價(jià)系數(shù)。

步驟4-4，通過每個(gè)小生境中個(gè)體適應(yīng)度值大小的比較，對適應(yīng)度值相對較小的個(gè)體施加懲罰因子。

min{f_p...f_q}＝penalty*min{f_p...f_q}，

式中f_p、f_q分別表示個(gè)體x_p和x_q的適應(yīng)度值，penalty是一個(gè)較強(qiáng)的懲罰因子。

步驟4-5，為定量分析改進(jìn)后的小生境遺傳算法在種群多樣性的優(yōu)勢，定義種群熵d_t進(jìn)行多樣性的比較。

p_n＝L_mn/N

式中，Q代表第t代中存在子種群的個(gè)數(shù)，L_mn表示第m代中的第n個(gè)子種群的個(gè)體數(shù)，N為種群的總個(gè)體數(shù)，d越大說明多樣性越高。

若某小生境與其它小生境的適應(yīng)度值滿足，即

|f_i-f_max|<f_default

則用滿足適應(yīng)度要求的個(gè)體進(jìn)行替換，即

f_i＝f_niche(i)(1≤i≤n)

f_niche＝(f₁',f₂',f₃'...f_n')

式中，f_max是同代中最高適應(yīng)度值，定義適應(yīng)度的默認(rèn)閾值為f_default，f_niche(i)表示替代小生境的第i個(gè)個(gè)體的適應(yīng)度值；f'_n表示個(gè)體x_n交叉操作前兩個(gè)父代中較大的適應(yīng)度值；

步驟4-6，倘若所得個(gè)體未達(dá)到終止條件的要求，則將前代排序后的種群個(gè)體集合pop_i作為新種群，且遺傳代數(shù)加1，同時(shí)，遺傳進(jìn)程返回繼續(xù)遺傳操作，直至達(dá)到終止條件，結(jié)束算法流程，獲得優(yōu)化后的WNN參數(shù)。

為了說明本發(fā)明的有益效果，采用了真實(shí)的安全數(shù)據(jù)，由實(shí)驗(yàn)室搭建的模擬網(wǎng)絡(luò)安全平臺提供，并在網(wǎng)絡(luò)安全態(tài)勢評估的基礎(chǔ)上對網(wǎng)絡(luò)安全態(tài)勢值進(jìn)行仿真分析。

實(shí)驗(yàn)選取安全平臺90天的網(wǎng)絡(luò)安全數(shù)據(jù)，劃分前76天為訓(xùn)練樣本，后14天為測試樣本，并通過評估處理獲得相應(yīng)的網(wǎng)絡(luò)安全態(tài)勢值。

分析安全數(shù)據(jù)的攻擊特點(diǎn)，發(fā)現(xiàn)較嚴(yán)重的攻擊行為發(fā)生周期均為5天左右，本實(shí)驗(yàn)安全態(tài)勢維數(shù)的選取如表1中所示。

表1安全態(tài)勢維數(shù)選取

在圖2和圖3為本發(fā)明與其他三種方法收斂速度對比。實(shí)驗(yàn)結(jié)果顯示，不同算法它們的收斂速度不盡相同，其中INGA-WNN的收斂速度最快，在68代就已達(dá)到收斂精度，其次是GA-WNN算法，在118代進(jìn)入收斂，而GA-BP和WNN分別在139和359代才進(jìn)入收斂狀態(tài)。因此，可以判斷，通過將動態(tài)模糊淘汰機(jī)制的小生境技術(shù)引入小波神經(jīng)網(wǎng)絡(luò)，可以有效降低收斂時(shí)間，提高搜索效率。

圖4為本發(fā)明態(tài)勢預(yù)測曲線與其他四種聚類方法對比。分別選取K-means、AGENES、DBSCAN以及FCM四種聚類方法對小生境進(jìn)行聚類劃分，INGA-WNN在趨勢預(yù)測的準(zhǔn)確性上比其余四種聚類方法更高。

通過圖5可以發(fā)現(xiàn)，四種預(yù)測模型均有較好的預(yù)測效果，但本發(fā)明INGA-WNN相比于WNN、GA-BP和GA-WNN可以得到更趨近真實(shí)網(wǎng)絡(luò)的結(jié)果，且預(yù)測誤差相對更小。主要是INGA-WNN采用動態(tài)模糊淘汰機(jī)制的小生境遺傳算法對非線性擬合能力更強(qiáng)的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行尋優(yōu)，利用動態(tài)模糊聚類進(jìn)行種群小生境劃分，并運(yùn)用淘汰規(guī)則對所劃分的小生境處理，從而解決了遺傳種群的多樣性問題，避免陷入早熟狀態(tài)，使結(jié)果更容易收斂于全局最優(yōu)。

本發(fā)明所舉實(shí)施方式或者實(shí)施例對本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)進(jìn)行了進(jìn)一步的詳細(xì)說明，所應(yīng)理解的是，以上所舉實(shí)施方式或者實(shí)施例僅為本發(fā)明的優(yōu)選實(shí)施方式而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)對本發(fā)明所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。