基于协同进化神经网络的垃圾邮件识别研究.docVIP

  基于协同进化神经网络的垃圾邮件识别研 究# 田津，李敏强，陈富赞* 5 （天津大学管理与经济学部，天津 300072） 摘要：互联网上大量冲斥的垃圾邮件影响着企业和个人的正常工作与生活，垃圾邮件识别已 成为信息安全的重要研究内容之一。本文针对垃圾邮件识别问题，提出了一种基于多目标协 同进化的神经网络分类算法，首先利用 K-means 算法对传统训练方法确定的网络初始隐节 10 15 20 25 30 35 40 点聚类，然后以聚类后的隐节点群生成子种群进行协同进化操作，采用多目标优化算法评价 个体适应值，各子种群的代表个体共同组成网络的最优结构。算法采用包含整个网络隐节点 结构和控制向量的矩阵式混合编码方式，神经网络权值由伪逆法求解确定。通过仿真实验验 证，该算法快速有效，优于其他常用分类算法，具有较强的垃圾邮件识别能力。 关键词：RBFNN；协同进化；多目标优化；垃圾邮件分类 中图分类号：TP183 A Coevolutionary Neural Network Approach for Spam Classification TIAN Jin, LI Minqiang, CHEN Fuzan (College of Management and Economics, Tianjin University, Tianjin 300072) Abstract: The annoyance of spam increasingly plagues both individuals and organizations. Spam classification is an important issue in the field of the information security to distinguish the spam with the legitimate email. This paper presents an effective neural network approach based on a specially designed cooperative coevolution paradigm for spam classification. The K-means method is employed to divide the initial hidden nodes into modules that are represented as subpopulation of the coevolutionary algorithm. The multiobjective algorithm is adopted to evaluate the fitness of individuals. Collaborations among the modules are formed to obtain complete solutions. The algorithm adopts a matrix-form mixed encoding scheme with a control vector. The weights between the hidden layer and the output layer are calculated by pseudo-inverse algorithm. Experimental results illustrate that the proposed algorithm outperforms the traditional classification methods on the spam classification problems. Key words: RBFNN; Coevolutionary algorithm; Multiobjective optimality; Spam classification 0 引言 近年来，互联网上大量存在的垃圾邮件已成为影响个人和企业正常通信和日常工作的主 要信息安全问题之一。垃圾邮件通常经过电子邮件系统，主动发送大量商业信息，甚至携带 病毒或者垃圾信息，从而给电子邮件用户带来困扰乃至资源的损失，每年世界各国均花费大 量精力和财力解决垃圾邮件问题。因此，加强对垃圾邮件有效控制、实现垃圾邮件准确识别 已成为目前学术界和产业界关注的重要研究内容。 径向基函数神经网络(Radial Basis Function Neural Network，RBFNN) 是一种具有单隐 层，以函数逼近为基础的前馈网络[1]，以其结构简单、非线性逼近能力强、收敛速度快等优 基金项目：高等学校博士学科点专项科研基金资助