| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·选题背景及意义 | 第7页 |
| ·国内外入侵检测的研究现状 | 第7-10页 |
| ·入侵检测的发展动向 | 第8页 |
| ·支持向量机在入侵检测技术中的应用 | 第8-9页 |
| ·流形学习算法的研究与应用 | 第9-10页 |
| ·论文的主要工作 | 第10-12页 |
| 第二章 入侵检测概述 | 第12-21页 |
| ·入侵检测系统 | 第12-13页 |
| ·入侵检测系统分类 | 第13-19页 |
| ·根据数据源分类 | 第13-14页 |
| ·根据检测方法分类 | 第14-19页 |
| ·入侵检测性能评价标准 | 第19页 |
| ·目前入侵检测技术的不足和发展方向 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 入侵检测方案 | 第21-33页 |
| ·入侵检测方案 | 第21页 |
| ·入侵检测数据集及预处理 | 第21-27页 |
| ·数据集介绍 | 第21-26页 |
| ·特征数值化、归一化处理 | 第26-27页 |
| ·基于支持向量机的入侵检测实现 | 第27-32页 |
| ·支持向量机原理 | 第27-29页 |
| ·支持向量机应用 | 第29页 |
| ·支持向量机与最小二乘支持向量机对比 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 特征选取与数据降维 | 第33-39页 |
| ·数据降维的研究背景 | 第33-34页 |
| ·机器学习处理高维数据中存在的困难 | 第33页 |
| ·特征选取方法分类 | 第33-34页 |
| ·特征选择 | 第34页 |
| ·特征提取 | 第34-36页 |
| ·主成分分析算法 | 第35-36页 |
| ·独立成分分析算法 | 第36页 |
| ·基于特征选择和特征提取的实验 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第五章 局部线性嵌入算法及其改进 | 第39-50页 |
| ·流形学习方法 | 第39-41页 |
| ·流形学习方法简介 | 第39-40页 |
| ·流形学习方法应用 | 第40-41页 |
| ·局部线性嵌入算法 | 第41-43页 |
| ·局部线性嵌入算法概述 | 第42页 |
| ·局部线性嵌入算法数值实验 | 第42-43页 |
| ·局部线性嵌入与独立成分分析、主成分分析算法实验比较 | 第43-46页 |
| ·改进型局部线性嵌入算法 | 第46-49页 |
| ·局部线性嵌入算法中近邻点个数K 的影响 | 第46-47页 |
| ·改进型局部线性嵌入算法原理 | 第47-48页 |
| ·改进型局部线性嵌入算法实验 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第六章 结论与展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 在学期间发表的学术论文和参加科研情况 | 第56页 |