网络流分类中的特征选择研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状及问题分析 | 第11-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 网络流分类中的特征选择研究概述 | 第15-22页 |
| 2.1 基于人工经验的特征选择 | 第15-17页 |
| 2.2 基于机器学习的特征选择 | 第17-20页 |
| 2.2.1 特征选择基本框架 | 第17-18页 |
| 2.2.2 特征选择搜索策略 | 第18页 |
| 2.2.3 特征选择评价标准 | 第18-19页 |
| 2.2.4 特征选择算法分类 | 第19-20页 |
| 2.3 混合方法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 适用于流量分类的一组分辨力强的特征 | 第22-35页 |
| 3.1 Moore特征集 | 第22-23页 |
| 3.2 研究方法 | 第23-28页 |
| 3.2.1 流量分类评价指标 | 第23-24页 |
| 3.2.2 数据集 | 第24-25页 |
| 3.2.3 特征分组 | 第25-26页 |
| 3.2.4 机器学习方法 | 第26-28页 |
| 3.3 实验结果 | 第28-34页 |
| 3.3.1 各组特征对分类的贡献度 | 第28-30页 |
| 3.3.2 单个特征对分类的贡献度 | 第30-32页 |
| 3.3.3 对实验结果的分析 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于信息增益与遗传算法的特征选择方法 | 第35-46页 |
| 4.1 信息增益与遗传算法 | 第35-37页 |
| 4.1.1 信息增益 | 第35-36页 |
| 4.1.2 遗传算法 | 第36-37页 |
| 4.2 基于IG-GA的特征选择算法 | 第37-41页 |
| 4.2.1 算法的提出 | 第37-38页 |
| 4.2.2 IG-GA算法 | 第38-41页 |
| 4.3 实验 | 第41-44页 |
| 4.3.1 实验数据与实验设计 | 第41-42页 |
| 4.3.2 实验结果及分析 | 第42-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53-55页 |
| 攻读硕士学位期间发表论文 | 第55-57页 |
