| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状与存在问题 | 第11-15页 |
| 1.2.1 研究现状 | 第11-14页 |
| 1.2.2 存在的问题 | 第14-15页 |
| 1.3 本文的研究内容与方法 | 第15-16页 |
| 1.4 本文的结构安排 | 第16-18页 |
| 第二章 相关理论与技术 | 第18-31页 |
| 2.1 异常检测 | 第18-21页 |
| 2.1.1 异常数据 | 第19-20页 |
| 2.1.2 异常检测技术分类 | 第20-21页 |
| 2.2 数据流与概念漂移 | 第21-23页 |
| 2.2.1 数据流 | 第21-22页 |
| 2.2.2 数据流中的概念漂移 | 第22-23页 |
| 2.3 数据挖掘相关算法介绍 | 第23-30页 |
| 2.3.1 递归神经网络RNN | 第23-25页 |
| 2.3.2 模拟退火算法 | 第25-27页 |
| 2.3.3 误差反向传播(BP)算法 | 第27-28页 |
| 2.3.4 Kmeans聚类 | 第28-29页 |
| 2.3.5 马尔科夫链 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 异常检测总体框架 | 第31-36页 |
| 3.1 本文需解决的问题 | 第31页 |
| 3.2 异常检测总体框架 | 第31-33页 |
| 3.3 数据预处理 | 第33-35页 |
| 3.3.1 数据压缩平滑 | 第33-35页 |
| 3.3.2 归一化处理 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 数据流中的异常点检测 | 第36-53页 |
| 4.1 问题描述 | 第36-37页 |
| 4.2 数据流中的异常点定义 | 第37页 |
| 4.3 基于RNN的异常点检测算法 | 第37-43页 |
| 4.3.1 算法框架 | 第37-38页 |
| 4.3.2 基于RNN的拟合模型 | 第38-40页 |
| 4.3.3 RNN拟合模型训练 | 第40-43页 |
| 4.3.4 异常点检测 | 第43页 |
| 4.4 实验分析 | 第43-51页 |
| 4.4.1 实验介绍 | 第43-45页 |
| 4.4.2 实验结果与分析 | 第45-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 基于概念漂移的异常模式检测 | 第53-68页 |
| 5.1 问题描述 | 第53页 |
| 5.2 异常模式定义 | 第53-54页 |
| 5.3 Kmeans-马尔科夫模型异常模式检测算法(Kmeans-Markov) | 第54-58页 |
| 5.3.1 基于Kmeans的数据分段模型 | 第54-55页 |
| 5.3.2 异常的模式转移检测 | 第55-56页 |
| 5.3.3 基于多项式拟合的正常模式过滤 | 第56-57页 |
| 5.3.4 算法总体流程与评估 | 第57-58页 |
| 5.4 实验分析 | 第58-67页 |
| 5.4.1 实验介绍 | 第58-59页 |
| 5.4.2 实验结果与分析 | 第59-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 全文总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 后续工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |