| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·研究目的与意义 | 第10-11页 |
| ·研究内容和论文组织结构 | 第11-13页 |
| 第二章 支持向量机和入侵检测理论基础 | 第13-28页 |
| ·统计学习理论基础 | 第13-16页 |
| ·机器学习 | 第13-14页 |
| ·统计学习理论 | 第14-16页 |
| ·支持向量机 | 第16-22页 |
| ·最优分类超平面和支持向量机 | 第16-19页 |
| ·广义最优分类超平面 | 第19-21页 |
| ·非线性支持向量机 | 第21-22页 |
| ·入侵检测系统相关理论 | 第22-24页 |
| ·入侵检测系统概述 | 第22-23页 |
| ·入侵检测系统的基本工作原理 | 第23-24页 |
| ·基于SVM的入侵检测方法 | 第24-27页 |
| ·基于SVM入侵检测的可行性 | 第24-25页 |
| ·基于支持向量机的入侵检测系统结构 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 入侵检测中递推式支持向量机参数选择方法 | 第28-43页 |
| ·支持向量机参数选择分析 | 第28-30页 |
| ·SVM参数影响分析 | 第28-29页 |
| ·传统支持向量机参数选择方法 | 第29-30页 |
| ·支持向量机推广能力估计 | 第30-32页 |
| ·交叉有效性检验和留一法 | 第30-31页 |
| ·支持向量率推广能力估计方法 | 第31-32页 |
| ·支持向量机入侵检测器的设计 | 第32-33页 |
| ·支持向量机入侵检测器设计准则 | 第32页 |
| ·支持向量机入侵检测器训练过程 | 第32-33页 |
| ·入侵检测中递推式支持向量机参数选择方法 | 第33-36页 |
| ·支持向量机最优参数区间选择 | 第33-34页 |
| ·试探法选择最优参数 | 第34-36页 |
| ·仿真实验与分析 | 第36-42页 |
| ·入侵检测数据集预处理 | 第36-37页 |
| ·实验过程与结果分析 | 第37-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 入侵检测中基于贝叶斯框架的SVM参数选择方法 | 第43-54页 |
| ·机器学习的贝叶斯解释 | 第43-45页 |
| ·Bayes框架推断SVM参数 | 第45-49页 |
| ·SVM的贝叶斯解释 | 第45-46页 |
| ·Bayes准则推断选择惩罚因子 | 第46-48页 |
| ·Bayes准则推断SVM核参数 | 第48-49页 |
| ·基于贝叶斯框架的支持向量机入侵检测 | 第49-51页 |
| ·贝叶斯框架下的支持向量机参数选择 | 第49-50页 |
| ·贝叶斯框架下的支持向量机入侵检测流程 | 第50-51页 |
| ·仿真实验与结果分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| ·论文总结 | 第54页 |
| ·展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间主要的研究成果 | 第62页 |