| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景 | 第10-11页 |
| 1.2 基于GHSOM神经网络的入侵检测模型研究现状及分析 | 第11-16页 |
| 1.2.1 入侵检测模型 | 第12-14页 |
| 1.2.2 GHSOM神经网络研究现状 | 第14-15页 |
| 1.2.3 D-S证据推理理论研究现状 | 第15-16页 |
| 1.3 课题的来源及研究内容 | 第16-18页 |
| 1.3.1 课题来源 | 第16页 |
| 1.3.2 课题的主要研究内容 | 第16-18页 |
| 第2章 生长型分级自组织映射神经网络GHSOM | 第18-29页 |
| 2.1 神经网络概述 | 第18-23页 |
| 2.1.1 SOM人工神经网络 | 第18-19页 |
| 2.1.2 基本神经元 | 第19-20页 |
| 2.1.3 SOM | 第20-21页 |
| 2.1.4 SSOM | 第21-23页 |
| 2.2 生长型分级自组织映射神经网络GHSOM | 第23-28页 |
| 2.2.1 GHSOM | 第23-25页 |
| 2.2.2 改进的生长型分级自组织映射神经网络 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章D-S证据理论 | 第29-36页 |
| 3.1 D-S证据理论的基本概述 | 第29-31页 |
| 3.2 D-S证据理论在入侵检测中的具体应用 | 第31-34页 |
| 3.2.1 基本概率赋值的获取 | 第31-33页 |
| 3.2.2 决策规则的选择 | 第33-34页 |
| 3.3 改进的D-S证据融合规则 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于D-S理论的GHSOM入侵检测方法设计 | 第36-44页 |
| 4.1 系统设计 | 第36-40页 |
| 4.1.1 数据采集 | 第37-38页 |
| 4.1.2 叶神经元集训练 | 第38页 |
| 4.1.3 D-S理论的动态层拓展 | 第38-40页 |
| 4.2 算法设计 | 第40-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第5章 实验结果及分析 | 第44-53页 |
| 5.1 实验环境 | 第44-47页 |
| 5.1.1 数据采集 | 第44-46页 |
| 5.1.2 数据预处理 | 第46-47页 |
| 5.2 实验结果及分析 | 第47-52页 |
| 5.2.1 模糊样本集下检测准确率的分析 | 第48-49页 |
| 5.2.2 D-S证据理论控制子网层的动态拓展 | 第49-52页 |
| 5.3 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59页 |