首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

基于支持向量机的入侵检测系统的研究

摘要第5-6页
ABSTRACT第6-7页
符号对照表第10-11页
缩略语对照表第11-15页
第一章 绪论第15-19页
    1.1 研究背景和意义第15-16页
    1.2 国内外研究现状分析第16-17页
        1.2.1 入侵检测技术的概念和分类第16页
        1.2.2 入侵检测技术的发展过程第16-17页
        1.2.3 支持向量机分类器研究现状第17页
    1.3 本文的研究内容与结构第17-19页
第二章 入侵检测技术概述第19-29页
    2.1 入侵检测基本概念第19-21页
        2.1.1 入侵检测技术的概念第19页
        2.1.2 入侵检测系统分类第19-21页
        2.1.3 主流入侵检测系统及其发展趋势第21页
    2.2 机器学习算法第21-24页
        2.2.1 常见机器学习算法简介第21-24页
    2.3 支持向量机算法理论第24-28页
        2.3.1 统计学习理论第24-26页
        2.3.2 支持向量机方法第26-28页
    2.4 本章小结第28-29页
第三章 基于SVM入侵检测系统的设计与实现第29-41页
    3.1 公共入侵检测框架第29页
    3.2 基于SVM的入侵检测系统架构第29-30页
    3.3 数据采集器模块第30-33页
        3.3.1 KDDCUP99数据集特点第31-32页
        3.3.2 数据特征及表示方式第32-33页
    3.4 数据预处理模块第33-34页
        3.4.1 数据降采样第33页
        3.4.2 数据特征数值化第33-34页
        3.4.3 数据归一化第34页
    3.5 特征选择模块第34-38页
        3.5.1 特征选择概述第34-35页
        3.5.2 改进特征选择算法第35-38页
    3.6 SVM多分类器第38-40页
    3.7 本章小结第40-41页
第四章 改进的支持向量机参数搜索算法第41-55页
    4.1 粒子群算法概述第41-44页
    4.2 惯性权重系数调节机制第44-47页
        4.2.1 常数和随机数惯性权重系数第44页
        4.2.2 时变惯性权重系数第44-45页
        4.2.3 自适应惯性权重第45-46页
        4.2.4 各种惯性权值策略优缺点第46-47页
    4.3 改进粒子群算法第47-54页
        4.3.1 粒子搜索环境分析第47-48页
        4.3.2 自适应惯性权值方法第48-51页
        4.3.3 AEPSO算法性能分析第51-54页
    4.4 本章小结第54-55页
第五章 基于SVM-AEPSO入侵检测系统的实现及性能评估第55-67页
    5.1 实验环境及配置第55页
    5.2 数据采集器模块第55页
    5.3 数据预处理器模块第55-57页
        5.3.1 数据降采样模块第55-56页
        5.3.2 特征数值化处理第56-57页
        5.3.3 归一化模块第57页
    5.4 特征选择模块第57-58页
    5.5 分类器模块第58页
    5.6 实验结果第58-66页
        5.6.1 参数搜索算法比较第58-60页
        5.6.2 各种粒子群算法比较第60-63页
        5.6.3 SVM模型训练时间第63页
        5.6.4 ROC曲线第63-66页
    5.7 实验结论第66页
    5.8 本章小结第66-67页
第六章 总结与展望第67-69页
    6.1 本文总结第67页
    6.2 展望第67-69页
参考文献第69-73页
致谢第73-75页
作者简介第75-76页

论文共76页,点击 下载论文
上一篇:基于深度学习的联合去马赛克去噪方法
下一篇:海面上目标的光散射特性研究