买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种基于模糊增强多项式神经网络的威胁行为检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120358061B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510554093.0，技术领域涉及：H04L9/40；该发明授权一种基于模糊增强多项式神经网络的威胁行为检测方法是由栾羽茜;黄玮;张唯一;徐志磊;祝烈煌设计研发完成，并于2025-04-29向国家知识产权局提交的专利申请。

本一种基于模糊增强多项式神经网络的威胁行为检测方法在说明书摘要公布了：一种基于模糊增强多项式神经网络的威胁行为检测方法，包括模糊C均值聚类与多项式神经网络的结合、自适应优化机制的设计、熵激活函数的引入、动态边加权的实现以及模糊增强特征提取过程，并设计了用于威胁行为检测的自适应优化算法。本发明通过设计自适应模糊增强多项式神经网络来构造高效的威胁行为检测模型，实现网络流量中复杂威胁模式的精准识别，并有效提高检测精度与效率。此外，通过模糊规则的生成，实现神经网络的思考过程的可视化，提升系统的透明度与可解释性。与传统方法相比，本发明在检测准确率和适应性方面更具优势，不仅提升对复杂攻击模式的识别能力，适应不同网络环境，适合复杂网络流量中的威胁检测场景。

本发明授权一种基于模糊增强多项式神经网络的威胁行为检测方法在权利要求书中公布了：1.一种基于模糊增强多项式神经网络的威胁行为检测方法，包括以下步骤： 第1步、数据预处理与特征提取，对训练数据和测试数据进行预处理，包括读取数据、转换数据格式、特征提取和标签编码，以确保数据的一致性，并为后续模型训练提供正确的输入； 第2步、模糊聚类与相似性计算，采用模糊C均值聚类FCM算法对数据进行模糊聚类，从而有效地将数据分为多个模糊类别，在此过程中，使用余弦相似度方法得到相似性矩阵来计算数据点之间的相似性，随后，基于计算出的相似性矩阵，通过动态加权方法调整各节点之间的连接强度，以进一步提高聚类的准确性和鲁棒性，确保相似度较高的节点能有更强的联系； 第3步、自适应优化与模型配置，通过自适应优化算法SSOA，对模糊聚类中的重要参数，聚类数c和模糊指数m进行动态调整，进而优化神经网络的结构参数，该优化算法根据网络流量的特点，自动选择最合适的参数，从而提升模型的适应性与精确度，优化过程通过监控训练过程中的适应度来动态调整参数，使得模型能根据不同数据特征自动调整，确保训练效果的最大化； 第4步、特征扩展与神经网络训练，基于模糊聚类算法得到的特征和多项式特征扩展技术，构建具有更高表达能力的特征集合，并将其作为输入传递到神经网络中进行训练，通过使用自适应熵激活函数，网络能够根据输入数据的复杂度选择适合的激活函数，从而提高模型的学习能力，使其能更好地处理复杂的威胁模式； 第4.1步、特征扩展与组合：在此阶段，将模糊聚类得到的特征与多项式特征进行结合，扩展特征空间，具体而言，我们通过对原始特征进行多项式扩展，以增加特征的非线性表示能力，这些多项式特征通过以下公式生成： , 其中，X是原始特征，是原始特征的第i次幂，n是所需的多项式的最高次幂，通过这种方式，我们将原始特征集转换为一个更为复杂的特征空间，以提高模型对复杂模式的学习能力，然后，我们将模糊聚类结果与这些扩展特征进行拼接，形成一个新的特征集： , 第4.2步、生成聚类规则：通过模糊聚类结果生成对应的规则，每条规则表示为一个条件-结果结构，具体为： , 其中，表示特征，表示特征的取值范围，是目标类别分别被判定为潜在攻击或正常行为； 具体来说，对于每个聚类，通过计算数据点的特征范围来生成条件，对于同一聚类中的数据点，它们会有相似的特征范围，通过这些特征范围来创建规则，表示哪些特征值组合对应于攻击或正常行为； 第4.3步、神经网络结构构建：在这一阶段，我们根据优化得到的参数配置，构建神经网络模型，模型的结构包括输入层、多个隐藏层以及输出层，每个隐藏层使用适应性激活函数，该激活函数基于输入数据的熵值选择ReLU或Sigmoid激活方式，神经网络的结构表示为： , 其中，表示第层的输出，分别表示第层的权重和偏置，是激活函数， 在训练过程中，使用Adam优化器进行反向传播和权重更新，以最小化损失函数，对于二分类任务使用交叉熵损失： , 其中，是真实标签，是预测值，是样本数； 第4.4步、神经网络训练与优化：在这一阶段，通过训练数据进行神经网络训练，训练时，采用Adam优化器并设定适当的学习率，结合适应性熵激活函数，进行多次迭代训练，每次训练都会通过计算损失函数并更新网络权重来优化模型，直到模型收敛或达到设定的最大迭代次数，此外，使用学习率调度器逐步减小学习率，以进一步优化模型的收敛速度和稳定性； 第5步、模型评估与验证，在训练完成后，对模型进行全面的性能评估，计算各类评价指标，包括准确率、混淆矩阵和分类报告，通过这些指标，验证模型在威胁行为检测中的表现，并将结果与现有方法进行对比，最后，保存训练好的模型，并进行模型的实际应用验证。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。