| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 致谢 | 第7-12页 |
| 第一章 绪论 | 第12-15页 |
| ·研究背景和国内外研究现状 | 第12-13页 |
| ·主要工作和研究意义 | 第13-14页 |
| ·全文的组织结构 | 第14-15页 |
| 第二章 数据融合概述 | 第15-24页 |
| ·数据融合的一般处理模型 | 第15-16页 |
| ·数据融合的功能结构 | 第16-18页 |
| ·数据融合中层次描述 | 第18-21页 |
| ·决策层融合 | 第19-20页 |
| ·特征层融合 | 第20页 |
| ·数据层融合 | 第20-21页 |
| ·数据融合常用方法 | 第21-23页 |
| ·小结 | 第23-24页 |
| 第三章 神经网络和D-S 证据理论 | 第24-38页 |
| ·人工神经网络 | 第24-28页 |
| ·人工神经网络发展及基本模型 | 第24-25页 |
| ·人工神经网络的特点和种类 | 第25-26页 |
| ·人工神经网络的拓扑结构和学习方式 | 第26-28页 |
| ·RBF 神经网络 | 第28-33页 |
| ·RBF 神经网络的基本原理 | 第29-31页 |
| ·RBF 神经网络的学习算法 | 第31-32页 |
| ·RBF 神经网络的训练过程 | 第32-33页 |
| ·D-S 证据理论 | 第33-35页 |
| ·基本概念 | 第34-35页 |
| ·D-S 证据理论优缺点 | 第35页 |
| ·D-S 证据合成规则 | 第35-37页 |
| ·两个证据合成规则 | 第36页 |
| ·多个证据合成规则 | 第36页 |
| ·合成规则的性质 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第四章 基于神经网络与D-S 理论的两级融合方法研究 | 第38-47页 |
| ·基于神经网络的数据融合方法 | 第38-40页 |
| ·基于神经网络的融合模型的建立 | 第38-39页 |
| ·基于RBF 神经网络的数据融合 | 第39-40页 |
| ·结合Fisher 分值的神经网络特征提取和融合方法研究 | 第40-43页 |
| ·Fisher 分值 | 第41-42页 |
| ·Fisher_RBF 方法 | 第42-43页 |
| ·D-S 证据理论的融合模型 | 第43-44页 |
| ·神经网络和DS 理论的两级融合方法与应用分析 | 第44-46页 |
| ·两级融合方法 | 第44-45页 |
| ·RBF_DS 方法在入侵检测中的应用分析 | 第45-46页 |
| ·小结 | 第46-47页 |
| 第五章 数据融合技术在网络入侵检测中的应用研究 | 第47-59页 |
| ·网络入侵检测 | 第47-51页 |
| ·网络攻击种类 | 第47-49页 |
| ·入侵检测技术 | 第49-51页 |
| ·入侵检测技术的发展 | 第49-50页 |
| ·检测指标 | 第50-51页 |
| ·神经网络与入侵检测 | 第51页 |
| ·KDDCUP’99 数据集 | 第51-52页 |
| ·Fisher_RBF 方法在网络入侵检测中的应用仿真 | 第52-54页 |
| ·RBF_DS 方法在网络入侵检测中的应用仿真 | 第54-57页 |
| ·RBF_DS 方法及仿真结果的进一步探讨 | 第57-58页 |
| ·小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文 | 第64-65页 |
| 附录1.KDDCUP’99 数据集中的属性描述 | 第65-67页 |
