| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·AD HOC 自组织网络简介 | 第8页 |
| ·选题背景及意义 | 第8-9页 |
| ·群体智能算法研究概况 | 第9-10页 |
| ·聚类算法研究概况 | 第10-12页 |
| ·人工神经网络研究概况 | 第12页 |
| ·论文主要研究工作 | 第12-14页 |
| 第二章 AD HOC 网络关键技术和安全性 | 第14-23页 |
| ·AD HOC 网络关键技术 | 第14-17页 |
| ·MAC 协议 | 第14-15页 |
| ·路由协议 | 第15页 |
| ·服务质量QoS 保障 | 第15-16页 |
| ·安全问题 | 第16页 |
| ·功率控制 | 第16页 |
| ·网络互联 | 第16-17页 |
| ·AD HOC 网络面临的挑战 | 第17页 |
| ·可扩展性 | 第17页 |
| ·跨层设计 | 第17页 |
| ·与现有网络融合 | 第17页 |
| ·AD HOC 网络安全需求 | 第17-18页 |
| ·AD HOC 网络安全威胁 | 第18-20页 |
| ·AD HOC 网络安全方案 | 第20-23页 |
| ·安全路由 | 第20页 |
| ·认证协议 | 第20页 |
| ·密钥管理 | 第20页 |
| ·入侵检测 | 第20-23页 |
| 第三章 粒子群优化算法和量子行为粒子群优化算法 | 第23-31页 |
| ·粒子群优化算法的提出 | 第23页 |
| ·粒子群优化算法 | 第23-25页 |
| ·算法原理 | 第23-24页 |
| ·算法描述 | 第24页 |
| ·算法分析 | 第24-25页 |
| ·几种改进的粒子群优化算法 | 第25-27页 |
| ·带有惯性因子ω的粒子群优化算法 | 第25-26页 |
| ·带有收缩因子χ的粒子群优化算法 | 第26页 |
| ·惯性因子ω和收缩因子χ的比较 | 第26页 |
| ·粒子群优化算法的其他改进 | 第26-27页 |
| ·粒子群优化算法的应用 | 第27-28页 |
| ·粒子群优化算法的缺陷 | 第28页 |
| ·具有量子行为的粒子群优化算法 | 第28-30页 |
| ·算法理论 | 第28-29页 |
| ·算法描述 | 第29-30页 |
| ·具有量子行为的粒子群算法的优点 | 第30-31页 |
| 第四章 模糊聚类和QPSO 算法在AD HOC 异常检测中的应用 | 第31-39页 |
| ·算法理论基础 | 第31-33页 |
| ·K-Means 聚类算法 | 第31-32页 |
| ·QPSO 算法和QPSO 聚类算法 | 第32-33页 |
| ·NS-2 简介及模拟实验环境参数 | 第33-35页 |
| ·NS-2 简介 | 第33-35页 |
| ·模拟实验环境参数 | 第35页 |
| ·模拟实验数据描述 | 第35-37页 |
| ·数据集介绍 | 第35-36页 |
| ·模拟实验数据集的选取 | 第36页 |
| ·模拟实验数据预处理 | 第36-37页 |
| ·模拟实验及实验结果分析 | 第37-39页 |
| 第五章 小波神经网络和QPSO 算法在AD HOC 异常检测中的应用 | 第39-45页 |
| ·小波神经网络的简介 | 第39-40页 |
| ·小波神经网络的提出 | 第39-40页 |
| ·小波神经网络的缺陷 | 第40页 |
| ·基于QPSO 算法训练优化的小波神经网络模型 | 第40-43页 |
| ·小波神经网络模型 | 第40-42页 |
| ·算法理论 | 第42-43页 |
| ·模拟实验及实验结果分析 | 第43-45页 |
| 第六章 WNN 和B-QPSO 算法在AD HOC 异常检测中的应用 | 第45-49页 |
| ·QPSO 算法处理粒子越界问题的缺点 | 第45页 |
| ·基于B-QPSO 算法训练优化的小波神经网络模型 | 第45-46页 |
| ·模拟实验及实验结果分析 | 第46-49页 |
| 第七章 工作总结与展望 | 第49-51页 |
| ·工作总结 | 第49页 |
| ·展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第56页 |
