为提高无线网络入侵检测模型的综合性能，该文将循环神经网络(RNN)算法用于构建无线网络入侵检测 分类模型。针对无线网络入侵检测训练数据样本分布不均衡导致分类模型出现过拟合的问题，在对原始数据进行 清洗、转换、特征选择等预处理基础上，提出基于窗口的实例选择算法精简训练数据集。对攻击分类模型的网络 结构、激活函数和可复用性进行综合优化实验，得到最终优化模型，分类准确率达到98.6699%，综合优化后的运 行时间为9.13 s。与其他机器学习算法结果比较，该优化方法在分类准确率和执行效率两个方面取得了很好的效 果，综合性能优于传统的入侵检测分类模型。

本研究由北京科技大学在本项目支持下完成，发表在电子与信息学报。