| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 K-means的研究现状 | 第9-10页 |
| 1.2.2 贝叶斯网络的研究现状 | 第10-11页 |
| 1.2.3 证据融合的研究现状 | 第11页 |
| 1.3 本文的主要研究工作 | 第11-12页 |
| 1.4 本文的组织架构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关理论 | 第14-21页 |
| 2.1 聚类分析方法 | 第14-15页 |
| 2.1.1 聚类分析相关理论 | 第14-15页 |
| 2.1.2 K-means聚类算法的相关介绍 | 第15页 |
| 2.2 贝叶斯网络基础概述 | 第15-20页 |
| 2.2.1 贝叶斯网络相关介绍 | 第16-17页 |
| 2.2.2 贝叶斯网络结构学习 | 第17-18页 |
| 2.2.3 贝叶斯网络参数学习的方法 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 萤火虫算法优化的加权K-means算法 | 第21-31页 |
| 3.1 聚类准则函数 | 第21页 |
| 3.2 萤火虫优化算法 | 第21-23页 |
| 3.2.1 萤火虫算法的仿生原理 | 第21-22页 |
| 3.2.2 萤火虫算法的描述与分析 | 第22-23页 |
| 3.3 改进的萤火虫优化算法与加权的K-means聚类 | 第23-25页 |
| 3.3.1 加权的目标函数 | 第23页 |
| 3.3.2 改进萤火虫算法的吸引度计算方式及扰动方式 | 第23-24页 |
| 3.3.3 基于萤火虫优化的加权K-means算法的基本思路 | 第24页 |
| 3.3.4 基于萤火虫优化的加权K-means算法的基本流程 | 第24-25页 |
| 3.4 实验分析 | 第25-30页 |
| 3.4.1 UCI数据实验 | 第25页 |
| 3.4.2 聚类中心点选择实验 | 第25-27页 |
| 3.4.3 聚类实验结果分析 | 第27-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于改进粒子群优化的贝叶斯网络结构学习 | 第31-40页 |
| 4.1 粒子群优化算法 | 第31页 |
| 4.2 贝叶斯网络结构的学习过程 | 第31-35页 |
| 4.2.1 粒子编码 | 第31-32页 |
| 4.2.2 基于遗传算子的位置更新策略 | 第32-34页 |
| 4.2.3 算法的实现步骤与流程 | 第34-35页 |
| 4.3 实验结果分析 | 第35-39页 |
| 4.3.1 实验数据集 | 第35-36页 |
| 4.3.2 参数设置及评价指标 | 第36页 |
| 4.3.3 实验结果分析 | 第36-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 加权的贝叶斯网络及其在证据融合中的应用 | 第40-47页 |
| 5.1 加权贝叶斯网络模型 | 第40-41页 |
| 5.2 加权贝叶斯网络的证据融合方法 | 第41-43页 |
| 5.2.1 证据融合原理 | 第41页 |
| 5.2.2 实验结果分析 | 第41-43页 |
| 5.3 证据融合在网络取证中的应用 | 第43-46页 |
| 5.3.1 客户端数据的采集与证据提交 | 第43-45页 |
| 5.3.2 证据分析与证据融合 | 第45页 |
| 5.3.3 取证分析报告 | 第45-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第六章 总结和展望 | 第47-49页 |
| 6.1 全文总结 | 第47页 |
| 6.2 未来工作展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间的主要成果 | 第53-54页 |
| 致谢 | 第54页 |
