基于粒子群优化支持向量机的入侵检测模型研究
| 目录 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第9-16页 |
| ·入侵检测技术的产生和发展 | 第9-10页 |
| ·入侵检测的类型和功能模块 | 第10-11页 |
| ·入侵检测的类型 | 第10-11页 |
| ·入侵检测的功能模块 | 第11页 |
| ·选题依据和意义 | 第11-13页 |
| ·国内外研究现状 | 第13页 |
| ·论文研究内容及结构 | 第13-16页 |
| ·论文研究内容 | 第13-14页 |
| ·论文结构 | 第14-16页 |
| 第2章 支持向量机和粒子群优化算法理论概述 | 第16-29页 |
| ·机器学习的基本问题 | 第16-17页 |
| ·问题表示 | 第16页 |
| ·经验风险最小化原则 | 第16-17页 |
| ·统计学习理论 | 第17-20页 |
| ·学习过程一致性理论 | 第17-18页 |
| ·VC维和泛化性界 | 第18-19页 |
| ·结构风险最小化原理 | 第19-20页 |
| ·支持向量机 | 第20-26页 |
| ·最优分类超平面 | 第20-22页 |
| ·支持向量机结构 | 第22-24页 |
| ·核函数 | 第24-25页 |
| ·影响SVM性能的因素 | 第25-26页 |
| ·粒子群优化算法 | 第26-29页 |
| ·粒子群优化算法的原理 | 第26-27页 |
| ·粒子群优化算法流程 | 第27-28页 |
| ·算法分析 | 第28-29页 |
| 第3章 基于PSO/SVM的入侵检测模型 | 第29-37页 |
| ·检测代理设计 | 第29-31页 |
| ·数据降维处理机制 | 第31-32页 |
| ·构造混合核函数 | 第32-33页 |
| ·混合核函数的提出 | 第32-33页 |
| ·混合核函数参数选择 | 第33页 |
| ·参数优化机制 | 第33-35页 |
| ·基于PSO/SVM的入侵检测模型结构 | 第35-37页 |
| 第4章 模拟实验与结果分析 | 第37-47页 |
| ·入侵检测模型评估标准 | 第37页 |
| ·实验介绍 | 第37-42页 |
| ·实验环境 | 第37页 |
| ·实验数据选取 | 第37-40页 |
| ·实验数据预处理 | 第40-41页 |
| ·实验用例设计 | 第41-42页 |
| ·实验运行情况 | 第42-45页 |
| ·实验结果分析 | 第45-47页 |
| 第5章 总结与展望 | 第47-48页 |
| ·总结 | 第47页 |
| ·展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 攻读硕士期间发表的文章 | 第52页 |
