5、时间序列建模与SOA系统安全评估技术解析

时间序列建模与SOA系统安全评估技术解析

时间序列建模：NFAR模型的应用与优势

在时间序列建模领域，传统的自适应网络模糊推理系统（ANFIS）和经典前馈人工神经网络（FANN）存在架构刚性的问题，而一种灵活的神经模糊自回归技术（NFAR）为解决这一问题提供了新的思路。

NFAR模型特征选择与架构更新

NFAR模型在决定是否将特征 $x_{t - q}$ 添加到网络架构时，会通过均方误差来计算模型的性能。若误差至少降低用户定义的 $\gamma\%$，则接受新特征；否则，对于NFAR - S情况会继续搜索下一个特征，对于NFAR - I情况则停止搜索。一旦特征 $x_{t - q}$ 被纳入，网络的所有参数（包括冻结和未冻结的参数）都会更新，最后一次训练过程结束后，网络架构会再次冻结。

NFAR - I方法会同时测试所有可能剩余（未包含）的特征滞后 $x_{t - q}$（$q = 2..p_{max}$），以找出最显著的滞后；而NFAR - S则会从 $q = 2$ 到 $q = p_{max}$ 进行顺序搜索。

实验设置与参数选择

为了验证NFAR模型的性能，进行了合成实验和真实实验。合成实验创建了两个合成时间序列，分别是线性自回归（AR）过程 $x_t = 0.5x_{t - 1} - 0.6x_{t - 2} - 0.1x_{t - 7} + 0.2x_{t - 10} + \epsilon_t$ 和非线性自回归（NAR）过程 $x_t = 0.6x_{t - 1}e^{-4*x_{t - 2}^2} - 0.3x_{t - 12}e^{-8x_{t - 13}^2} + \epsilon_t$，其中 $