| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于近邻度的离群点检测方法 | 第11页 |
| 1.2.2 基于密度的离群点检测方法 | 第11-12页 |
| 1.2.3 基于聚类的离群点检测方法 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第2章 相关技术概述 | 第15-23页 |
| 2.1 相关聚类算法 | 第15-19页 |
| 2.1.1 相似性衡量指标距离D的介绍 | 第15-16页 |
| 2.1.2 K-Medoids聚类算法 | 第16页 |
| 2.1.3 Canopy聚类算法 | 第16-18页 |
| 2.1.4 SOFM聚类算法 | 第18-19页 |
| 2.1.5 聚类算法的性能评价指标 | 第19页 |
| 2.2 离群点检测方法 | 第19-22页 |
| 2.2.1 离群点的定义 | 第20-21页 |
| 2.2.2 LOF算法的介绍 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于Canopy的自组织特征映射神经网络聚类算法 | 第23-35页 |
| 3.1 问题分析 | 第23-24页 |
| 3.2 改进的SOFM聚类算法 | 第24-28页 |
| 3.2.1 动态调整自增长神经元 | 第24-25页 |
| 3.2.2 调整偏离神经元的位置 | 第25-26页 |
| 3.2.3 基于数据块优化神经元的位置 | 第26-27页 |
| 3.2.4 合并相似神经元 | 第27-28页 |
| 3.3 实验及分析 | 第28-33页 |
| 3.3.1 实验数据集说明 | 第29-30页 |
| 3.3.2 死神经元平均产生数量的对比分析 | 第30页 |
| 3.3.3 聚类的平均准确率对比分析 | 第30-31页 |
| 3.3.4 可视化聚类效果图分析 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 基于优化SOFM聚类算法的离群点检测方法 | 第35-49页 |
| 4.1 问题分析 | 第36-37页 |
| 4.2 改进的离群点检测算法 | 第37-42页 |
| 4.2.1 相关定义 | 第38-39页 |
| 4.2.2 基于剪枝策略优化候选数据集的量级 | 第39-40页 |
| 4.2.3 基于近邻域方差平衡算法确定K值 | 第40-41页 |
| 4.2.4 NELOF离群点检测算法 | 第41-42页 |
| 4.3 实验及分析 | 第42-47页 |
| 4.3.1 K近邻域中K值的选择标准的分析 | 第42-44页 |
| 4.3.2 NELOF算法中离群点识别标准分析 | 第44-45页 |
| 4.3.3 离群点识别度的对比分析 | 第45-46页 |
| 4.3.4 时间消耗的对比分析 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 离群点检测在入侵检测中的应用 | 第49-57页 |
| 5.1 数据预处理 | 第49-52页 |
| 5.1.1 数据特征描述 | 第49-51页 |
| 5.1.2 数据特征的提取 | 第51-52页 |
| 5.1.3 数据归一化处理 | 第52页 |
| 5.2 实验及分析 | 第52-55页 |
| 5.2.1 KDD CUP99的K近邻域中K值的选择 | 第53页 |
| 5.2.2 识别攻击类型的准确率和误检率的分析 | 第53-55页 |
| 5.2.3 时间消耗的对比分析 | 第55页 |
| 5.3 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的学术论文 | 第63-65页 |
| 致谢 | 第65页 |