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ELM的入侵与恶意代码分类技术研究

摘要第3-5页
Abstract第5-6页
第一章 绪论第11-17页
    1.1 引言第11-12页
    1.2 国内外研究现状第12-16页
        1.2.1 入侵检测研究现状第12-13页
        1.2.2 恶意代码研究现状第13-16页
    1.3 本文的研究内容和结构安排第16-17页
        1.3.1 本文的主要工作第16页
        1.3.2 本文的结构安排第16-17页
第二章 数据降维第17-22页
    2.1 特征提取第17-18页
    2.2 特征选择第18-21页
        2.2.1 粗糙集特征选择算法第18-19页
        2.2.2 改进粗糙集特征选择算法第19-21页
    2.3 本章总结第21-22页
第三章 基于BP神经网络的入侵和恶意代码分类第22-34页
    3.1 人工神经网络第22-27页
        3.1.1 概述第22-24页
        3.1.2 BP神经网络算法理论第24-27页
    3.2 BP神经网络分类模型第27-28页
    3.3 实验仿真第28-33页
        3.3.1 入侵实验结果分析第28-30页
        3.3.2 恶意代码实验结果分析第30-33页
    3.4 本章总结第33-34页
第四章 基于ELM的入侵和恶意代码分类第34-49页
    4.1 ELM算法第34-39页
        4.1.1 单隐层前馈神经网络第34-36页
        4.1.2 ELM算法理论第36-39页
    4.2 基于ELM的入侵分类方法第39-43页
        4.2.1 基于PCA特征提取的ELM入侵分类第41-42页
        4.2.2 基于RS属性约简的ELM入侵分类第42-43页
    4.3 基于ELM的恶意代码分类方法第43-48页
        4.3.1 基于PCA特征选择的ELM恶意代码分类第45-46页
        4.3.2 基于RS属性约简的ELM恶意代码分类第46-48页
    4.4 本章总结第48-49页
第五章 在线顺序极限学习机第49-62页
    5.1 OS-ELM算法理论第49-53页
    5.2 基于OS-ELM入侵分类方法第53-57页
        5.2.1 基于PCA特征提取的OS-ELM入侵分类方法第55-56页
        5.2.2 基于RS特征选择的OS-ELM入侵分类方法第56-57页
    5.3 基于OS-ELM恶意代码分类方法第57-61页
        5.3.1 基于PCA特征提取的OS-ELM恶意代码分类方法第59页
        5.3.2 基于RS特征选择的OS-ELM恶意代码分类方法第59-61页
    5.4 本章总结第61-62页
第六章 展望与总结第62-65页
参考文献第65-69页
发表论文和科研情况说明第69-71页
致谢第71-73页

论文共73页,点击 下载论文
上一篇:基于GPS信息的消费金融辅助决策系统的研究与实现
下一篇:微博移动端图片生产平台交互设计研究