| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 研究目的及研究内容 | 第9页 |
| 1.4 文章结构 | 第9-11页 |
| 第二章 支持向量机 | 第11-26页 |
| 2.1 机器学习 | 第11页 |
| 2.1.1 机器学习的定义 | 第11页 |
| 2.1.2 机器学习系统的基本结构 | 第11页 |
| 2.2 统计学习原理 | 第11-14页 |
| 2.3 线性分类器 | 第14-16页 |
| 2.4核函数（Kernels） | 第16-19页 |
| 2.5 支持向量机 | 第19-26页 |
| 2.5.1 支持向量机基本介绍 | 第19-21页 |
| 2.5.2 支持向量最优超平面 | 第21-26页 |
| 第三章 Fisher鉴别分析法 | 第26-30页 |
| 3.1 线性Fisher鉴别分析法(FDA) | 第26-27页 |
| 3.2 核Fisher鉴别分析法(KFDA) | 第27-30页 |
| 第四章 基于Fisher鉴别分析对支持向量机的改进方法 | 第30-42页 |
| 4.1 支持向量 | 第33页 |
| 4.2 基于Fisher鉴别分析对支持向量机算法的优化 | 第33-37页 |
| 4.3 仿真实验并分析 | 第37-42页 |
| 4.3.1 实验环境与实验数据 | 第37页 |
| 4.3.2 实验结果 | 第37-41页 |
| 4.3.3 优化性能评价指标 | 第41页 |
| 4.3.4 结果分析 | 第41-42页 |
| 第五章 优化后的支持向量机算法在入侵检测系统中的应用 | 第42-47页 |
| 5.0 入侵检测系统 | 第42-43页 |
| 5.1 基于优化后的支持向量机算法的入侵检测系统 | 第43-44页 |
| 5.2 基于优化后的支持向量机算法的入侵检测系统实验 | 第44-47页 |
| 5.2.1 数据获取 | 第44-45页 |
| 5.2.2 判别标准 | 第45页 |
| 5.2.3 仿真实验 | 第45页 |
| 5.2.4 结果分析 | 第45-47页 |
| 第六章 总结与展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51页 |
