基于SVM的网络故障检测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 主要工作 | 第12-13页 |
| 1.4 文章结构 | 第13-14页 |
| 2 统计学习理论与支持向量机 | 第14-27页 |
| 2.1 机器学习的相关理论 | 第14-16页 |
| 2.2 统计学习基本理论 | 第16-20页 |
| 2.3 支持向量机 | 第20-26页 |
| 2.4 本章小节 | 第26-27页 |
| 3 基于相似度的快速支持向量机算法 | 第27-39页 |
| 3.1 SVM样本点的几何特征 | 第27-28页 |
| 3.2 样本点的相似度及其性质 | 第28-30页 |
| 3.3 样本点相似度的计算方法 | 第30-33页 |
| 3.4 基于相似度的快速支持向量机算法 | 第33-34页 |
| 3.5 仿真实验与结果分析 | 第34-37页 |
| 3.6 本章小节 | 第37-39页 |
| 4 基于相似度的改进SVM增量学习算法 | 第39-48页 |
| 4.1 SVM增量学习相关知识 | 第39-41页 |
| 4.2 两种传统的SVM增量学习算法 | 第41-43页 |
| 4.3 基于相似度的改进SVM增量学习算法 | 第43-45页 |
| 4.4 仿真实验与结果分析 | 第45-46页 |
| 4.5 本章小节 | 第46-48页 |
| 5 基于SVM的网络故障检测系统 | 第48-62页 |
| 5.1 系统需求分析 | 第48-49页 |
| 5.2 系统工作原理 | 第49-54页 |
| 5.3 系统数据集预处理 | 第54-57页 |
| 5.4 实验分析 | 第57-61页 |
| 5.5 本章小节 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 下一步的工作 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录1 攻读硕士学位期间发表的学术论文 | 第69页 |
