| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 入侵检测方法研究现状 | 第11-12页 |
| 1.2.2 维数消减方法研究现状 | 第12页 |
| 1.2.3 SVM参数优化研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 维数消减与SVM参数优化方法 | 第16-21页 |
| 2.1 核主成分分析算法实现维数消减的思想 | 第16-17页 |
| 2.2 SVM与粒子群优化算法 | 第17-20页 |
| 2.2.1 SVM的原理 | 第18-19页 |
| 2.2.2 SVM参数对分类性能的影响 | 第19-20页 |
| 2.2.3 粒子群算法进行优化的思想 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 一种改进核主成分分析算法的维数消减方法 | 第21-35页 |
| 3.1 引言 | 第21页 |
| 3.2 入侵数据的高维性与规模性分析 | 第21-23页 |
| 3.3 基于Relief F和样本筛选的核主成分分析算法RFSS-KPCA | 第23-30页 |
| 3.3.1 Relief F算法思想 | 第23-24页 |
| 3.3.2 改进的样本筛选方法 | 第24-26页 |
| 3.3.3 RFSS-KPCA算法设计 | 第26-30页 |
| 3.4 RFSS-KPCA算法实现维数消减的实验分析 | 第30-34页 |
| 3.4.1 实验环境与数据 | 第30页 |
| 3.4.2 实验过程分析 | 第30-33页 |
| 3.4.3 实验结果对比 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 一种改进粒子群算法的SVM参数优化方法 | 第35-50页 |
| 4.1 引言 | 第35页 |
| 4.2 影响粒子速度和位移的因素分析 | 第35-37页 |
| 4.3 基于速度和位移同步优化的粒子群算法VDSPSO | 第37-45页 |
| 4.3.1 粒子种群的模型划分 | 第37-39页 |
| 4.3.2 对粒子速度的优化 | 第39-41页 |
| 4.3.3 对粒子位移的优化 | 第41-42页 |
| 4.3.4 适应度函数选取 | 第42页 |
| 4.3.5 VDSPSO算法设计 | 第42-45页 |
| 4.4 VDSPSO算法实现SVM参数优化的实验分析 | 第45-48页 |
| 4.4.1 实验过程分析 | 第46页 |
| 4.4.2 实验结果对比 | 第46-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 入侵检测模型的构建与验证 | 第50-56页 |
| 5.1 建立RFSS-KPCA-VDSPSO-SVM入侵检测模型 | 第50-54页 |
| 5.1.1 入侵数据集预处理阶段 | 第50-52页 |
| 5.1.2 改进的维数消减阶段 | 第52-53页 |
| 5.1.3 改进的参数优化阶段 | 第53页 |
| 5.1.4 SVM训练与入侵分类预测阶段 | 第53-54页 |
| 5.2 模型的评价标准与验证结果 | 第54-55页 |
| 5.2.1 评价标准 | 第54页 |
| 5.2.2 验证结果 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
