基于神经网络的入侵检测系统研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 插图索引 | 第12-13页 |
| 附表索引 | 第13-14页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 入侵检测研究的背景 | 第14-16页 |
| 1.2 基于神经网络的入侵检测问题的提出 | 第16页 |
| 1.3 国内外相关研究现状 | 第16-17页 |
| 1.4 本文的主要工作与意义 | 第17-18页 |
| 1.5 论文的结构 | 第18-20页 |
| 第2章 人工神经网络技术分析 | 第20-33页 |
| 2.1 引言 | 第20页 |
| 2.2 神经网络简介 | 第20-21页 |
| 2.3 典型的神经网络 | 第21-25页 |
| 2.4 RBF 神经网络的结构与特点 | 第25-26页 |
| 2.5 RBF 神经网络学习算法 | 第26-30页 |
| 2.6 RBF 神经网络和BP 神经网络的比较 | 第30-32页 |
| 2.7 小结 | 第32-33页 |
| 第3章 隐层神经元选择与泛化能力改进 | 第33-40页 |
| 3.1 引言 | 第33页 |
| 3.2 RBFNN 的正规化 | 第33-35页 |
| 3.3 自增长RBFNN 和回退删减RBFNN | 第35-36页 |
| 3.4 正交最小平方算法 | 第36-38页 |
| 3.5 早停准则 | 第38-39页 |
| 3.6 小结 | 第39-40页 |
| 第4章 在线学习算法改进 | 第40-55页 |
| 4.1 引言 | 第40页 |
| 4.2 RANEKF 算法分析 | 第40-44页 |
| 4.3 采用K 一中心聚类法进行网络初始化 | 第44-45页 |
| 4.4 含噪声单样本训练的改进 | 第45-46页 |
| 4.5 删减策略 | 第46-49页 |
| 4.6 合并策略 | 第49-53页 |
| 4.7 ISLRBF | 第53-54页 |
| 4.8 小结 | 第54-55页 |
| 第5章 RBFNN 用于入侵检测的实验研究 | 第55-61页 |
| 5.1 引言 | 第55页 |
| 5.2 入侵检测系统的定义和作用 | 第55页 |
| 5.3 入侵检测的过程 | 第55-56页 |
| 5.4 入侵检测的布置 | 第56-57页 |
| 5.5 实验研究 | 第57-60页 |
| 5.6 小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第66-67页 |
| 致谢 | 第67页 |
