基于系统能量理论的聚类算法及其应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-14页 |
| ·选题背景 | 第9页 |
| ·聚类研究现状分析 | 第9-12页 |
| ·本文主要研究内容 | 第12-14页 |
| 第2章 聚类算法综述 | 第14-25页 |
| ·聚类定义 | 第14页 |
| ·聚类算法的分类 | 第14-20页 |
| ·顺序聚类算法 | 第14-15页 |
| ·层次聚类算法 | 第15-17页 |
| ·基于代价函数最优的聚类算法 | 第17-19页 |
| ·其他算法 | 第19-20页 |
| ·聚类有效性研究 | 第20-25页 |
| ·聚类有效性问题的提出 | 第20-21页 |
| ·聚类有效性指标 | 第21-24页 |
| ·其他聚类有效性指标 | 第24-25页 |
| 第3章 基于系统能量理论的聚类算法 | 第25-43页 |
| ·能量理论 | 第25页 |
| ·能量函数的定义 | 第25-27页 |
| ·聚类预处理 | 第27-29页 |
| ·样本块的划分 | 第27-28页 |
| ·初始聚类中心的确定 | 第28-29页 |
| ·聚类算法 | 第29-32页 |
| ·聚类过程 | 第29-30页 |
| ·聚类算法流程 | 第30-31页 |
| ·聚类算法描述 | 第31-32页 |
| ·聚类效果评价 | 第32-39页 |
| ·信息熵原理 | 第32-33页 |
| ·信息熵与样本分布的关系 | 第33-34页 |
| ·信息熵与样本相似性系数的关系 | 第34-37页 |
| ·相似性系数和系统能量的关系 | 第37-38页 |
| ·信息熵与样本系统能量的关系 | 第38-39页 |
| ·实验 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 算法改进 | 第43-55页 |
| ·神经网络学习 | 第43-45页 |
| ·神经网络学习方式 | 第43-44页 |
| ·神经网络学习算法 | 第44-45页 |
| ·与神经网络结合改进算法 | 第45-54页 |
| ·BP网络算法 | 第45-48页 |
| ·构造网络模型 | 第48-50页 |
| ·网络学习用到的定义 | 第50-51页 |
| ·权值的初值算法 | 第51-52页 |
| ·网络的学习过程 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 聚类算法在入侵检测中的应用 | 第55-69页 |
| ·入侵检测系统概述 | 第55-59页 |
| ·入侵检测原理 | 第55-56页 |
| ·入侵检测的性能评价 | 第56-57页 |
| ·入侵检测系统存在的问题 | 第57-59页 |
| ·聚类算法在入侵检测中应用 | 第59-68页 |
| ·系统的结构 | 第59-60页 |
| ·收集分析数据 | 第60页 |
| ·数据简约 | 第60-65页 |
| ·数据标准化 | 第65-67页 |
| ·临界值θ的确定 | 第67页 |
| ·运用聚类算法 | 第67-68页 |
| ·结果响应处理 | 第68页 |
| ·本章小结 | 第68-69页 |
| 第6章 实验和算法分析 | 第69-79页 |
| ·实验及其结果分析 | 第69-76页 |
| ·KDD99数据简介 | 第69-71页 |
| ·实验过程 | 第71-73页 |
| ·实验结果 | 第73-76页 |
| ·算法分析 | 第76-77页 |
| ·算法的时间复杂度 | 第76-77页 |
| ·算法的空间复杂度 | 第77页 |
| ·算法比较 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第7章 结论与展望 | 第79-81页 |
| ·结论 | 第79-80页 |
| ·展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 作者简介及硕士生期间发表论文 | 第87页 |
