| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 支持向量机相关研究 | 第11-12页 |
| 1.2.2 支持向量机增量学习相关研究 | 第12-13页 |
| 1.3 本文的结构与内容 | 第13-15页 |
| 1.3.1 本文的主要研究内容 | 第13-14页 |
| 1.3.2 本文的组织结构 | 第14-15页 |
| 第二章 支持向量机相关理论与研究 | 第15-28页 |
| 2.1 机器学习理论 | 第15-18页 |
| 2.1.1 机器学习 | 第15-16页 |
| 2.1.2 经验风险最小 | 第16-17页 |
| 2.1.3 模型的复杂度与泛化能力 | 第17-18页 |
| 2.2 统计学理论 | 第18-22页 |
| 2.2.1 最优化问题 | 第18-19页 |
| 2.2.2 拉格朗日对偶 | 第19-20页 |
| 2.2.3 学习过程一致性 | 第20-21页 |
| 2.2.4 结构风险最小 | 第21-22页 |
| 2.3 支持向量机 | 第22-27页 |
| 2.3.1 支持向量机思想 | 第22-24页 |
| 2.3.2 线性可分支持向量机 | 第24-25页 |
| 2.3.3 非线性可分支持向量机 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 支持向量机增量学习算法研究 | 第28-36页 |
| 3.1 核函数与支持向量机 | 第28-30页 |
| 3.2 增量学习思想 | 第30页 |
| 3.3 基于SVM增量学习过程研究 | 第30-32页 |
| 3.3.1 增量学习模型 | 第30-31页 |
| 3.3.2 向量空间组成分析 | 第31-32页 |
| 3.4 常用增量学习方法 | 第32-35页 |
| 3.4.1 经典SVM增量学习方法 | 第32-33页 |
| 3.4.2 基于错误驱动学习方法 | 第33-34页 |
| 3.4.3 基于KKT条件的增量学习方法 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 一种基于余弦相似度与函数距离的增量学习算法 | 第36-50页 |
| 4.1 边界向量与增量学习的关系 | 第36-37页 |
| 4.2 样本向量提取方法 | 第37-41页 |
| 4.2.1 基于类别质心与余弦角度的样本预选策略 | 第37-39页 |
| 4.2.2 基于余弦相似度与函数距离的边界向量提取方法 | 第39-41页 |
| 4.2.3 一种加快cosθ计算速度的方法 | 第41页 |
| 4.3 一种新的支持向量机增量学习算法 | 第41-42页 |
| 4.4 仿真实验与分析 | 第42-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 SVM增量学习算法在网络入侵检测中的应用 | 第50-62页 |
| 5.1 网络入侵检测介绍 | 第50-51页 |
| 5.2 测试样本库分析 | 第51-55页 |
| 5.2.1 样本库介绍 | 第51-54页 |
| 5.2.2 数据预处理 | 第54-55页 |
| 5.3 基于SVM增量学习的入侵检测系统 | 第55-58页 |
| 5.3.1 一种基于二叉树的多分类支持向量机 | 第55-56页 |
| 5.3.2 一种SVM增量入侵检测模型 | 第56-58页 |
| 5.4 仿真实验与分析 | 第58-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67页 |