A pesar de las exitosas contribuciones en el campo de la detección de intrusiones en redes utilizando algoritmos de aprendizaje automático y redes profundas para aprender los límites entre el tráfico normal y los ataques de red, sigue siendo desafiante detectar varios ataques con alto rendimiento. En este documento, proponemos un nuevo modelo matemático para el desarrollo adicional de software robusto, confiable y eficiente para aplicaciones prácticas de detección de intrusiones. En este trabajo actual, nos preocupamos por los hiperparámetros óptimos ajustados para autoencoders dispersos de alto rendimiento para optimizar características y clasificar patrones de tráfico normales y anormales. El marco propuesto permite ajustar los parámetros del algoritmo de aprendizaje de retropropagación con respecto al rendimiento y la arquitectura del autoencoder disperso a través de una secuencia de diseños simples de trigonometría. Estos hiperparámetros incluyen el número de nodos en la capa oculta, la tasa de aprendizaje de la capa oculta y la tasa de aprendizaje de la capa de salida. Se espera lograr mejores resultados en la extracción de características y la adaptación a varios niveles de jerarquía de aprendizaje, ya que las diferentes capas del autoencoder se caracterizan por diferentes tasas de aprendizaje en el marco propuesto. La idea se visualiza de manera que cada tasa de aprendizaje de una capa oculta es una dimensión en un espacio multidimensional. Por lo tanto, se implementa un vector de las tasas de aprendizaje adaptativas para las múltiples capas de la red para acelerar el tiempo de procesamiento que se requiere para que la red aprenda el mapeo hacia una combinación de características mejoradas y los pesos sinápticos óptimos en las múltiples capas para un problema dado. El marco sugerido se prueba en CICIDS2017, un conjunto de datos confiable de detección de intrusiones que cubre todas las intrusiones y ciberataques comunes y actualizados. Los resultados experimentales demuestran que la arquitectura propuesta para la detección de intrusiones produce un rendimiento superior en comparación con los algoritmos publicados recientemente en términos de precisión de clasificación y resultados de F-measure.