| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内网络安全态势分析 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 论文的主要研究工作 | 第12-13页 |
| 1.5 论文结构 | 第13-14页 |
| 第二章 网络安全态势的相关概念及常用预测模型分析 | 第14-20页 |
| 2.1 网络安全态势概述 | 第14-15页 |
| 2.2 网络安全态势预测原理 | 第15-16页 |
| 2.3 常用预测模型 | 第16-19页 |
| 2.3.1 时间序列分析预测模型 | 第16页 |
| 2.3.2 灰色理论预测模型 | 第16-18页 |
| 2.3.3 支持向量机预测模型 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 网络安全预测模型理论基础 | 第20-33页 |
| 3.1 RBF神经网络 | 第20-23页 |
| 3.1.1 RBF神经网络结构 | 第20-21页 |
| 3.1.2 RBF神经网络的学习算法 | 第21-23页 |
| 3.2 粒子群算法 | 第23-26页 |
| 3.2.1 粒子群算法的原理 | 第23-24页 |
| 3.2.2 粒子群算法流程 | 第24-25页 |
| 3.2.3 粒子群算法改进 | 第25-26页 |
| 3.3 人工鱼群算法 | 第26-32页 |
| 3.3.1 人工鱼群算法原理 | 第27-28页 |
| 3.3.2 人工鱼群算法步骤 | 第28页 |
| 3.3.3 人工鱼群算法参数分析 | 第28-30页 |
| 3.3.4 人工鱼群算法改进 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于混合优化算法的RBF神经网络预测模型建立 | 第33-40页 |
| 4.1 改进人工鱼群和粒子群混合优化算法原理 | 第33-34页 |
| 4.2 基于改进人工鱼群和粒子群混合算法的RBF神经网络预测模型 | 第34-39页 |
| 4.2.1 IAFSA-PSO-RBF神经网络结构的确定 | 第34-36页 |
| 4.2.2 建立基于混合算法的RBF神经网络预测模型 | 第36-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第五章 基于混合优化RBF神经网络的网络安全态势预测 | 第40-53页 |
| 5.1 数据样本的选择和处理 | 第40-45页 |
| 5.1.1 数据样本的选择 | 第40-44页 |
| 5.1.2 归一化处理 | 第44-45页 |
| 5.2 实验仿真 | 第45-48页 |
| 5.2.1 实验软硬件环境 | 第45页 |
| 5.2.2 实验数据和性能指标 | 第45-46页 |
| 5.2.3 混合算法优化RBF神经网络预测模型参数设置 | 第46页 |
| 5.2.4 预测结果分析 | 第46-48页 |
| 5.3 预测模型对比 | 第48-52页 |
| 5.3.1 基于粒子群优化的RBF神经网络预测模型 | 第48-49页 |
| 5.3.2 基于改进与标准人工鱼群优化的RBF神经网络预测模型 | 第49-50页 |
| 5.3.3 预测结果对比分析 | 第50-51页 |
| 5.3.4 训练速度对比 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结和展望 | 第53-54页 |
| 6.1 结论 | 第53页 |
| 6.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
