基于蚁群优化的决策树算法研究与应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 论文背景 | 第11-13页 |
| 1.2 论文主要工作 | 第13-14页 |
| 1.3 论文结构 | 第14-15页 |
| 第二章 相关概念及算法 | 第15-29页 |
| 2.1 决策树算法的概念 | 第15页 |
| 2.2 经典决策树算法：C4.5和CART | 第15-20页 |
| 2.2.1 C4.5算法 | 第15-18页 |
| 2.2.2 CART算法 | 第18-20页 |
| 2.3 蚁群算法的概念 | 第20页 |
| 2.4 蚁群算法的基本思想 | 第20-25页 |
| 2.4.1 真实蚁群和人工蚁群的异同 | 第20-22页 |
| 2.4.2 蚁群算法的基本思想 | 第22-24页 |
| 2.4.3 蚁群算法的关键特征 | 第24-25页 |
| 2.5 决策树和蚁群算法的优缺点 | 第25-26页 |
| 2.5.1 决策树算法的优缺点 | 第25-26页 |
| 2.5.2 蚁群算法的优缺点 | 第26页 |
| 2.6 利用蚁群思想改进决策树算法的可行性 | 第26-27页 |
| 2.7 本章小结 | 第27-29页 |
| 第三章 基于蚁群优化的改进决策树算法 | 第29-40页 |
| 3.1 改进算法的基本思想 | 第29-34页 |
| 3.1.1 连续属性离散化 | 第29页 |
| 3.1.2 启发信息 | 第29-30页 |
| 3.1.3 信息素表示 | 第30-31页 |
| 3.1.4 信息素更新 | 第31页 |
| 3.1.5 生成决策树 | 第31-34页 |
| 3.1.6 决策树剪枝 | 第34页 |
| 3.2 改进算法的伪代码 | 第34-35页 |
| 3.3 改进算法的有效性验证 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 入侵检测系统设计与实现 | 第40-53页 |
| 4.1 系统模型及各模块分析 | 第40-41页 |
| 4.2 KDD CUP99数据集介绍 | 第41-46页 |
| 4.3 样本集选取 | 第46-47页 |
| 4.4 数据预处理和特征提取 | 第47-51页 |
| 4.4.1 数据预处理 | 第47-49页 |
| 4.4.2 特征提取 | 第49-51页 |
| 4.5 入侵检测系统流程图 | 第51页 |
| 4.6 本章小结 | 第51-53页 |
| 第五章 实验与结果分析 | 第53-58页 |
| 5.1 实验环境 | 第53-54页 |
| 5.2 实验步骤 | 第54页 |
| 5.3 结果分析 | 第54-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 结束语 | 第58-60页 |
| 6.1 论文工作总结 | 第58-59页 |
| 6.2 问题和展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文 | 第63页 |
