基于粗糙集的证据理论及其在网络证据融合中的应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 模糊聚类算法研究现状 | 第9-10页 |
| 1.2.2 粗糙集-证据理论研究现状 | 第10-11页 |
| 1.3 本文的主要研究工作 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关理论 | 第14-22页 |
| 2.1 D-S证据理论 | 第14-18页 |
| 2.1.1 D-S证据理论的基本概念 | 第14-15页 |
| 2.1.2 D-S证据理论的证据组合规则 | 第15-17页 |
| 2.1.3 D-S证据理论的优势及存在问题 | 第17-18页 |
| 2.2 粗糙集理论 | 第18-20页 |
| 2.2.1 粗糙集的基本概念 | 第18-19页 |
| 2.2.2 多粒度粗糙集 | 第19-20页 |
| 2.3 粗糙集与证据理论的联系 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 反向遗传算法优化的模糊C均值算法 | 第22-32页 |
| 3.1 模糊C均值算法 | 第22-24页 |
| 3.1.1 相关研究 | 第22页 |
| 3.1.2 模糊C均值算法概述 | 第22-24页 |
| 3.2 反向遗传算法 | 第24-26页 |
| 3.2.1 反向学习机制的相关定义 | 第24页 |
| 3.2.2 引入反向机制的改进遗传算法 | 第24-26页 |
| 3.3 基于反向遗传算法的模糊聚类 | 第26-27页 |
| 3.4 实验分析 | 第27-30页 |
| 3.4.1 人工数据实验 | 第27-29页 |
| 3.4.2 UCI数据实验 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第四章 基于可变粒度粗糙集的证据理论融合方法 | 第32-40页 |
| 4.1 相关研究 | 第32页 |
| 4.2 可变粒度粗糙集 | 第32-33页 |
| 4.2.1 乐观/悲观多粒度粗糙集 | 第32-33页 |
| 4.2.2 可变粒度粗糙集的下、上近似 | 第33页 |
| 4.3 基于可变粒度粗糙集的证据融合算法 | 第33-37页 |
| 4.3.1 定性融合函数 | 第33-34页 |
| 4.3.2 两种理论之间的联系 | 第34-35页 |
| 4.3.3 算法流程 | 第35-37页 |
| 4.4 实例分析 | 第37-38页 |
| 4.4.1 实例数据 | 第37页 |
| 4.4.2 实例计算及结论 | 第37-38页 |
| 4.5 本章小结 | 第38-40页 |
| 第五章 网络证据融合在取证系统中的应用 | 第40-46页 |
| 5.1 系统设计原理 | 第40页 |
| 5.2 系统设计方案 | 第40-41页 |
| 5.3 系统功能界面展示 | 第41-44页 |
| 5.3.1 客户端网络通信数据流的采集与证据提交 | 第41-42页 |
| 5.3.2 服务器端的聚类分析和证据融合 | 第42-43页 |
| 5.3.3 取证报告的查看 | 第43-44页 |
| 5.4 本章小结 | 第44-46页 |
| 第六章 总结与展望 | 第46-48页 |
| 6.1 论文总结 | 第46页 |
| 6.2 工作展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 攻硕期间发表论文及科研成果 | 第51-53页 |
| 致谢 | 第53页 |
