支持向量机增量学习算法及其在入侵检测中的应用研究
| 提要 | 第1-7页 |
| 第一章 绪论 | 第7-12页 |
| ·论文背景 | 第7-9页 |
| ·研究现状 | 第9-11页 |
| ·本文的研究内容 | 第11页 |
| ·本文的组织结构 | 第11-12页 |
| 第二章 支持向量机的基本理论 | 第12-24页 |
| ·引言 | 第12页 |
| ·基于SLT的机器学习理论的基本观点 | 第12-18页 |
| ·机器学习问题的本质表示 | 第12-14页 |
| ·经验风险最小化原则 | 第14页 |
| ·VC维 | 第14-15页 |
| ·泛化能力推广性界 | 第15-16页 |
| ·结构风险最小化原则 | 第16-18页 |
| ·支持向量机算法 | 第18-24页 |
| ·线性支持向量机 | 第18-21页 |
| ·非线性支持向量机 | 第21-24页 |
| 第三章 支持向量机增量学习算法 | 第24-42页 |
| ·增量学习思想 | 第24-25页 |
| ·SV的分布特点 | 第25-26页 |
| ·SVM简单增量学习算法 | 第26-29页 |
| ·支持向量机增量学习过程分析 | 第29-34页 |
| ·KKT条件 | 第29-30页 |
| ·增量学习后支持向量集变化分析 | 第30-34页 |
| ·广义KKT条件 | 第34页 |
| ·SVM交叉验证KKT增量学习算法 | 第34-42页 |
| ·交叉验证KKT增量学习算法 | 第34-38页 |
| ·改进的交叉验证KKT增量学习算法 | 第38-42页 |
| 第四章 SVM增量学习算法在入侵检测中的应用 | 第42-56页 |
| ·入侵检测概述 | 第42-43页 |
| ·支持向量机方法应用于入侵检测的可行性 | 第43-45页 |
| ·基于增量SVM的入侵检测模型 | 第45-46页 |
| ·仿真实验 | 第46-56页 |
| ·KDD CUP1999 入侵检测数据 | 第46-48页 |
| ·实验方法及结果讨论 | 第48-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·下一步工作与研究前景展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 在读期间的研究成果 | 第61-62页 |
| 摘要 | 第62-65页 |
| Abstract | 第65-69页 |
| 致谢 | 第69-70页 |
| 导师及作者简介 | 第70页 |
