基于支持向量机的网络应用层故障诊断研究
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 1 绪论 | 第7-14页 |
| ·选题背景及意义 | 第7页 |
| ·网络故障诊断的研究内容与现状 | 第7-10页 |
| ·故障诊断概述 | 第7-8页 |
| ·智能诊断技术 | 第8-9页 |
| ·网络应用层故障诊断与检测 | 第9-10页 |
| ·支持向量机与网络故障诊断 | 第10-12页 |
| ·网络故障诊断中的小样本问题 | 第10-11页 |
| ·支持向量机的理论分析 | 第11页 |
| ·支持向量机在网络故障诊断中的应用 | 第11-12页 |
| ·论文的研究内容和所做工作 | 第12-13页 |
| ·论文的组织结构 | 第13-14页 |
| 2 统计学习理论和支持向量机 | 第14-29页 |
| ·机器学习问题的基本理论 | 第14-17页 |
| ·机器学习问题的表示 | 第14-15页 |
| ·经验风险最小化原则(ERM原则) | 第15-16页 |
| ·ERM原则下的一致性概念 | 第16-17页 |
| ·学习过程中的复杂性与推广性矛盾 | 第17页 |
| ·统计学习理论 | 第17-20页 |
| ·VC维 | 第18页 |
| ·学习理论的关键定理 | 第18-19页 |
| ·推广性的界理论 | 第19-20页 |
| ·结构最小风险化原则(SRM原则) | 第20页 |
| ·支持向量机 | 第20-28页 |
| ·最优超平面 | 第21-23页 |
| ·内积核函数 | 第23-25页 |
| ·支持向量机训练算法 | 第25-26页 |
| ·几种其他类型的支持向量机 | 第26-27页 |
| ·支持向量机多分类算法 | 第27-28页 |
| ·小结 | 第28-29页 |
| 3 加权C-支持向量分类机算法研究 | 第29-41页 |
| ·标准C-SVM性能分析 | 第30-32页 |
| ·基于不均衡样本的类加权算法 | 第32-34页 |
| ·基于模糊隶属度的样本加权算法 | 第34-36页 |
| ·一种样本权值确定方法 | 第36-40页 |
| ·线性可分情况下的确定方法 | 第36-38页 |
| ·非线性可分情况下的确定方法 | 第38-40页 |
| ·小结 | 第40-41页 |
| 4 基于SVM的网络应用层故障诊断 | 第41-53页 |
| ·网络应用层故障诊断模型框架结构 | 第41-43页 |
| ·支持向量机的加权方法选择 | 第43-44页 |
| ·类加权系数的选择 | 第43-44页 |
| ·样本加权系数的选择 | 第44页 |
| ·支持向量机的核函数和参数选择 | 第44-45页 |
| ·实验环境及实验数据选取 | 第45-48页 |
| ·实验环境选择 | 第45-46页 |
| ·实验数据选取 | 第46-48页 |
| ·训练和预测步骤 | 第48页 |
| ·实验结果分析 | 第48-52页 |
| ·小结 | 第52-53页 |
| 5 结论与展望 | 第53-55页 |
| ·总结 | 第53页 |
| ·对下一步工作的展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
