| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景及研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·论文安排 | 第10-12页 |
| 第二章 最小最大模块化支持向量机 | 第12-22页 |
| ·任务分解方法 | 第12-15页 |
| ·K 类问题的任务分解 | 第12-13页 |
| ·二类问题的分解 | 第13-15页 |
| ·M3 网络的集成 | 第15-18页 |
| ·三种集成单元 | 第15页 |
| ·两种集成规则 | 第15-18页 |
| ·支持向量机(support vector machine) | 第18-21页 |
| ·最优超平面 | 第18-19页 |
| ·数据线性可分情况 | 第19-20页 |
| ·数据线性不可分情况 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 最小最大模块化网络中基于聚类的数据划分方法 | 第22-31页 |
| ·聚类(clustering) | 第22-25页 |
| ·聚类定义和应用 | 第22页 |
| ·聚类的度量 | 第22-23页 |
| ·主要的聚类算法 | 第23-25页 |
| ·最小最大模块化网络中已经用到的数据划分方法 | 第25-27页 |
| ·基于超平面分割的分解方法 | 第25-26页 |
| ·基于等分割聚类的分解方法 | 第26-27页 |
| ·基于谱聚类的分解方法 | 第27页 |
| ·基于先验知识的分解方法 | 第27页 |
| ·实验中最小最大模块化网络使用的样本集划分方法 | 第27-30页 |
| ·随机划分 | 第28页 |
| ·模糊C-均值划分 | 第28-29页 |
| ·K-means 划分方法 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 M3-SVM 中二分K-means 的数据划分方法 | 第31-39页 |
| ·K-means 算法 | 第31-32页 |
| ·二分K-means 算法(Bisecting K-means) | 第32-34页 |
| ·算法的性能分析 | 第34-35页 |
| ·K-means 算法的性能分析 | 第34页 |
| ·二分K-means 算法性能分析 | 第34-35页 |
| ·基于二分K-means 聚类算法的M3-SVM | 第35-38页 |
| ·实验结果与分析 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第五章M3-SVM 中基于均衡化函数的二分K-means 数据划分方法 | 第39-47页 |
| ·聚类准则函数 | 第39-40页 |
| ·M3-SVM 中基于均衡化函数的二分K-means | 第40-41页 |
| ·实验结果与分析 | 第41-46页 |
| ·本章小结 | 第46-47页 |
| 第六章 最小最大模块化支持向量机在入侵检测中的应用 | 第47-53页 |
| ·入侵检测 | 第47-48页 |
| ·入侵检测中的数据挖掘技术 | 第48页 |
| ·KDD CUP99 入侵检测数据集 | 第48-50页 |
| ·实验结果与分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第七章 总结与展望 | 第53-55页 |
| ·本文的主要工作 | 第53-54页 |
| ·进一步的研究工作 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间的学术成果 | 第59-60页 |
| 攻读硕士学位期间参加的科研项目 | 第60页 |
