| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-20页 |
| ·研究背景与研究意义 | 第10页 |
| ·网络故障诊断概述 | 第10-12页 |
| ·网络故障类型 | 第10-11页 |
| ·网络故障采集 | 第11-12页 |
| ·网络故障诊断基本流程 | 第12页 |
| ·网络故障诊断方法概览 | 第12-17页 |
| ·专家系统方法 | 第13页 |
| ·图论方法 | 第13-14页 |
| ·软计算方法 | 第14-15页 |
| ·机器学习方法 | 第15-16页 |
| ·仿生计算方法 | 第16-17页 |
| ·分布式人工智能方法 | 第17页 |
| ·网络故障诊断展望 | 第17页 |
| ·研究技术路线、项目资助与章节组织 | 第17-20页 |
| ·研究技术路线 | 第17-18页 |
| ·项目资助与章节组织 | 第18-20页 |
| 2 支撑向量机基础 | 第20-30页 |
| ·硬间隔线性可分 SVM 分类机 | 第20-23页 |
| ·线性分类及最优分类超平面 | 第20-21页 |
| ·原始优化问题 | 第21-22页 |
| ·Lagrange 函数构造 | 第22页 |
| ·对偶函数构造 | 第22-23页 |
| ·软间隔线性可分 SVM 分类机 | 第23-25页 |
| ·非线性可分 SVM 分类机 | 第25-28页 |
| ·核函数 | 第25-27页 |
| ·非线性可分 SVM 分类机 | 第27-28页 |
| ·SVM 解决多分类问题 | 第28-29页 |
| ·“1 对多”方法 | 第28-29页 |
| ·“1 对 1”方法 | 第29页 |
| ·本节小结 | 第29-30页 |
| 3 MultiBoost 组合分类算法 | 第30-39页 |
| ·组合分类方法概述 | 第30-32页 |
| ·引言 | 第30-31页 |
| ·方差—偏差分解 | 第31-32页 |
| ·Bagging 和 AdaBoost | 第32-35页 |
| ·自引导抽样法（Bootstrap） | 第32页 |
| ·Bagging 组合法 | 第32-33页 |
| ·AdaBoost 组合法 | 第33-35页 |
| ·MultiBoost 组合分类法 | 第35-38页 |
| ·Bagging 和 AdaBoost 的偏差-方差讨论 | 第35-36页 |
| ·MultiBoost 组合分类法流程 | 第36-38页 |
| ·本节小结 | 第38-39页 |
| 4 MHSVM 网络故障诊断方法 | 第39-47页 |
| ·基于 MultiBoost 组合分类方法的网络故障诊断系统框架 | 第39-40页 |
| ·基分类机的选取 | 第40-41页 |
| ·基于 HMGA 机制的 SVM 分类器参数优化 | 第41-45页 |
| ·传统 GA 算法 | 第41-43页 |
| ·基于荷尔蒙调节的遗传算法 | 第43-44页 |
| ·基于 HMGA 机制的 SVM 分类机参数优化 | 第44-45页 |
| ·MHSVM 算法流程 | 第45-46页 |
| ·本节小结 | 第46-47页 |
| 5 仿真实验与结果讨论 | 第47-58页 |
| ·实验数据集描述及数据可视化 | 第47-50页 |
| ·SVM 基分类机参数寻优 | 第50-52页 |
| ·分类机性能评估指标 | 第52-53页 |
| ·混淆矩阵与真正率、假正率 | 第52页 |
| ·受试者操作曲线 | 第52-53页 |
| ·独立 SVM 分类机分类性能实验 | 第53-55页 |
| ·MHSVM 分类机分类性能实验 | 第55-56页 |
| ·MHSVM 分类机性能横向对比 | 第56-57页 |
| ·不同方法在相同迭代次数下分类性能对比 | 第56页 |
| ·不同方法在不同迭代次数下分类性能对比 | 第56-57页 |
| ·本节小结 | 第57-58页 |
| 6 结论 | 第58-60页 |
| ·文章总结 | 第58-59页 |
| ·课题展望 | 第59-60页 |
| 参考文献 | 第60-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间取得的科研成果清单 | 第68页 |