| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略语 | 第9-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题背景及研究意义 | 第10页 |
| 1.2 网络业务流量识别技术研究现状 | 第10-12页 |
| 1.3 主要研究内容及章节安排 | 第12-14页 |
| 第二章 深度学习理论 | 第14-22页 |
| 2.1 深度学习概念 | 第14页 |
| 2.2 卷积神经网路基本原理 | 第14-18页 |
| 2.2.1 卷积层和池化 | 第14-15页 |
| 2.2.2 激活函数 | 第15-17页 |
| 2.2.3 Softmax回归模型 | 第17页 |
| 2.2.4 损失函数 | 第17-18页 |
| 2.3 卷积神经网络的参数初始化及训练方法 | 第18-20页 |
| 2.3.1 参数初始化 | 第18页 |
| 2.3.2 训练方法 | 第18-19页 |
| 2.3.3 评价准则 | 第19-20页 |
| 2.4 卷积神经网络的特点 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于相似度和独特度的特征选择方法 | 第22-48页 |
| 3.1 已有的特征选择算法 | 第22-25页 |
| 3.2 基于相似度和独特度的特征选择算法 | 第25-27页 |
| 3.2.1 基本原理 | 第25页 |
| 3.2.2 算法描述 | 第25-27页 |
| 3.3 仿真实验 | 第27-47页 |
| 3.3.1 网络业务流量数据集说明 | 第27-29页 |
| 3.3.2 特征选择过程 | 第29-34页 |
| 3.3.3 仿真结果比较及分析 | 第34-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于混合交叉训练策略的卷积神经网络改进识别方法 | 第48-62页 |
| 4.1 改进的CNN模型 | 第48-55页 |
| 4.1.1 改进的CNN模型描述 | 第48-51页 |
| 4.1.2 仿真实验 | 第51-55页 |
| 4.2 混合交叉训练策略 | 第55-58页 |
| 4.2.1 混合交叉训练策略描述 | 第55页 |
| 4.2.2 仿真实验 | 第55-58页 |
| 4.3 基于混合交叉训练策略的卷积神经网络改进识别方法 | 第58-61页 |
| 4.3.1 方法描述 | 第58页 |
| 4.3.2 仿真实验 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 研究内容总结 | 第62页 |
| 5.2 进一步工作展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-68页 |
| 攻读硕士学位期间的研究成果 | 第68页 |