| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 论文的主要贡献 | 第10-11页 |
| 1.4 论文的主要结构 | 第11-12页 |
| 2 钓鱼网页识别研究的相关工作 | 第12-23页 |
| 2.1 深度学习概述 | 第12-20页 |
| 2.1.1 深度学习的发展与介绍 | 第13-16页 |
| 2.1.2 自动编码器 | 第16-20页 |
| 2.2 机器学习方法概述 | 第20-23页 |
| 2.2.1 支持向量机算法 | 第20-21页 |
| 2.2.2 朴素贝叶斯算法 | 第21-23页 |
| 3 特征提取与特征构建 | 第23-32页 |
| 3.1 系统架构 | 第23-24页 |
| 3.2 数据提取 | 第24-25页 |
| 3.3 特征构建 | 第25-30页 |
| 3.3.1 URL特征 | 第25-28页 |
| 3.3.2 页面内容特征 | 第28-30页 |
| 3.4 构建特征向量 | 第30-32页 |
| 4 自动编码器的参数优化方法 | 第32-41页 |
| 4.1 自动编码器中的超参数优化 | 第32-33页 |
| 4.1.1 人工法 | 第32页 |
| 4.1.2 网格搜索法 | 第32页 |
| 4.1.3 随机搜索法 | 第32-33页 |
| 4.2 基于节点权重相关性的自适应隐藏层节点数优化方法 | 第33-36页 |
| 4.3 一种处理特征中带有缺失值的改进加权投票算法 | 第36-41页 |
| 5 实验结果与实验分析 | 第41-62页 |
| 5.1 实验环境 | 第41页 |
| 5.2 实验数据来源 | 第41-43页 |
| 5.3 自动编码器隐藏层层数的确定 | 第43-46页 |
| 5.4 基于节点权重相关性的自适应隐藏层节点数优化实验 | 第46-56页 |
| 5.5 自动编码器与传统机器学习的分类比较实验 | 第56-57页 |
| 5.6 自动编码器与集成学习改进的加权投票法分类比较实验 | 第57-58页 |
| 5.7 优化特征数据后的分类比较实验 | 第58-62页 |
| 6 总结和展望 | 第62-64页 |
| 6.1 本文总结 | 第62-63页 |
| 6.2 研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 附录I 攻读学位期间发表的论文 | 第70页 |
