| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景以及介绍 | 第9-11页 |
| 1.2 本文的主要研究内容 | 第11-12页 |
| 1.3 论文内容安排 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 第二章 神经网络基础 | 第14-23页 |
| 2.1 人工神经网络定义 | 第14页 |
| 2.2 人工神经元 | 第14-17页 |
| 2.2.1 生物神经元 | 第14-15页 |
| 2.2.2 人工神经元 | 第15-17页 |
| 2.3 人工神经网络模型 | 第17-18页 |
| 2.4 人工神经网络的学习规则 | 第18-19页 |
| 2.5 两种常用的神经网络算法 | 第19-20页 |
| 2.5.1 BP 神经网络算法 | 第19-20页 |
| 2.5.2 RBF 神经网络算法 | 第20页 |
| 2.6 算法复杂度的研究 | 第20-22页 |
| 2.7 本章小结 | 第22-23页 |
| 第三章 第一类 Padé权函数神经网络的算法复杂度研究 | 第23-48页 |
| 3.1 样条权函数神经网络基本结构 | 第23-24页 |
| 3.2 权函数神经网络的训练算法 | 第24-31页 |
| 3.2.1 第一类权函数的神经网络的结构 | 第26-28页 |
| 3.2.2 第一类权函数的神经网络结构与训练算法一般情况 | 第28-29页 |
| 3.2.3 牛顿插值 | 第29-31页 |
| 3.3 第一类 Padé权函数神经网络算法复杂度理论分析 | 第31-38页 |
| 3.3.1 Padé逼近定义 | 第31-32页 |
| 3.3.2 Padé逼近的复杂度及其研究 | 第32-38页 |
| 3.4 第一类 Padé权函数神经网络误差分析 | 第38-42页 |
| 3.5 复杂度实验 | 第42-47页 |
| 3.5.1 实验环境 | 第42页 |
| 3.5.2 实验过程与结果 | 第42-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 第一类 Padé权函数神经网络在入侵检测中的应用 | 第48-60页 |
| 4.1 入侵检测技术基本概念 | 第48-49页 |
| 4.2 数据挖掘与分类算法相关知识 | 第49-52页 |
| 4.2.1 数据挖掘概述 | 第49-51页 |
| 4.2.2 分类算法概述 | 第51-52页 |
| 4.3 数据处理 | 第52-55页 |
| 4.3.1 数据来源 | 第53-54页 |
| 4.3.2 数据特征 | 第54-55页 |
| 4.3.3 数据归一 | 第55页 |
| 4.4 仿真实验和结果分析 | 第55-59页 |
| 4.4.1 实验目的 | 第55页 |
| 4.4.2 实验过程 | 第55-56页 |
| 4.4.3 实验结果 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 附录 1 程序清单 | 第64-65页 |
| 附录 2 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 致谢 | 第66页 |
