UNSW_NB15(5)

算法	结构	是否进行特征选择	摘要	loss	acc	时间/周期
CNN1	卷积，池化，平坦，全连接，dropout,输出层	是		0.2430	0.8800	17s
		否		0.4052	0.7439	23s
CNN2	卷积，池化，平坦，全连接，dropout,全连接，dropout,输出层	是		0.2119	0.8946	35s
		否		0.3989	0.7743	30s
CNN3	卷积，卷积，池化，平坦，全连接，dropout,输出层	是		0.1794	0.9125	22s
		否		0.3558	0.7861	34s
CNN4	卷积，卷积，池化，平坦，全连接，dropout,全连接，dropout,输出层	是		0.2245	0.8811	50s
		否		0.3727	0.7548	36s
CNN5	卷积，卷积，池化，卷积，卷积，池化，平坦，全连接，dropout,输出层	是		0.2304	0.8736	42s
		否		0.3146	0.7453	66s
CNN6	卷积，卷积，池化，卷积，卷积，池化，平坦，全连接，dropout,全连接，dropout,输出层	是		0.2324	0.8756	70s
		否		0.3588	0.8041	77s
CNN-LSTM1	卷积，池化，LSTM，Dropout，输出层	是		0.2562	0.8358	56s
		否		0.4376	0.7438	170s
CNN-LSTM2	卷积，池化，LSTM，Dropout，LSTM，Dropout，输出层	是		0.2336	0.8480	140s
		否		0.4510	0.7422	350s
CNN-LSTM3	卷积，卷积，池化，LSTM，Dropout，输出层	是		0.2295	0.8793	75s
		否		0.4042	0.7735	290s
CNN-LSTM4	卷积，卷积，池化，LSTM，Dropout，LSTM，Dropout,输出层	是		0.2336	0.8672	180s
		否		0.4315	0.7421	700s
CNN-LSTM5	卷积，卷积，池化，卷积，卷积，池化，LSTM，Dropout，输出层	是		0.2423	0.8456	60s
		否		0.3972	0.7441	190s
CNN-LSTM6	卷积，卷积，池化，卷积，卷积，池化，LSTM，Dropout，LSTM，Dropout，输出层	是		0.2188	0.8949	140s
		否		0.3979	0.7882	460s
DNN1	Dense,Dropout,Dense,Activation	是		0.2425	0.8974	8s
		否		0.4208	0.7463	12s
DNN2	Dense,Dropout,Dense,Dropout,Dense,Activation	是		0.2252	0.9102	24s
		否		0.3798	0.7930	25s
DNN3	Dense,Dropout,Dense,Dropout,Dense,Dropout,Dense,Activation	是		0.2989	0.8480	30s
		否		0.3983	0.7965	30s
DNN4	Dense,Dropout,Dense,Dropout,Dense,Dropout,Dense,Dropout,Dense,Activation	是		0.2717	0.8617	32s
		否		0.3976	0.7970	32s
DNN5	Dense,Dropout,Dense,Dropout,Dense,Dropout,Dense,Dropout,Dense,Dropout,Dense,Activation	是		0.2493	0.8804	34s
		否		0.4018	0.7761	32s

算法准确度最高的（91.25%）再运行三次比较结果

1		0.1879	0.9126	45s
2		0.1849	0.9051	43s
3		0.1825	0.9118	42s

特征顺序调换之后：

1		0.2020	0.9034	42s
2		0.1999	0.9100	44s
3		0.2000	0.9080	45s

前后调换之后：

1		0.2166	0.9017	23s
2		0.2118	0.8968	23s
3		0.2064	0.9073	23s