基于深度数据流检测的业务识别
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究目的和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 组织结构和主要工作: | 第11-13页 |
| 第二章 深度数据流检测DFI | 第13-19页 |
| 2.1 深度数据流检测技术(DFI) | 第13页 |
| 2.2 基于机器学习的深度数据流检测技术 | 第13-17页 |
| 2.2.1 机器学习概述 | 第13-16页 |
| 2.2.2 机器学习分类 | 第16页 |
| 2.2.3 机器学习的系统模型 | 第16-17页 |
| 2.3 基于深度数据流检测的评价指标 | 第17页 |
| 2.4 本章小结 | 第17-19页 |
| 第三章 基于K-MEAN算法的流量识别 | 第19-27页 |
| 3.1 K-MEAN算法 | 第19-21页 |
| 3.1.1 K-mean算法的基本思想 | 第19-20页 |
| 3.1.2 K-mean算法的流程 | 第20-21页 |
| 3.2 模糊K-MEAN算法 | 第21-23页 |
| 3.3 改进的粗糙模糊K-MEAN聚类算法 | 第23-24页 |
| 3.4 K-MEAN算法的仿真 | 第24-25页 |
| 3.5 本章小结 | 第25-27页 |
| 第四章 基于支持向量机的机器学习 | 第27-37页 |
| 4.1 支持向量机理论 | 第27页 |
| 4.2 最优超平面 | 第27-32页 |
| 4.2.1 线性可分情况下的最优超平面 | 第27-30页 |
| 4.2.2 非线性可分情形下的最优超平面 | 第30-32页 |
| 4.3 遗传算法求解最优超平面 | 第32-34页 |
| 4.4 支持向量机仿真建模 | 第34-35页 |
| 本章小结 | 第35-37页 |
| 第五章 混合高斯模型 | 第37-45页 |
| 5.1 GMM模型基本理论 | 第37-39页 |
| 5.2 EM算法的含义 | 第39-42页 |
| 5.3 算法的业务特征提取 | 第42页 |
| 5.4 GMM用于业务识别的建模 | 第42-44页 |
| 本章小结 | 第44-45页 |
| 第六章 人工神经网络 | 第45-53页 |
| 6.1 人工神经网络数学模型 | 第45-47页 |
| 6.2 人工神经网络的基本模型 | 第47-48页 |
| 6.3 人工神经网络的学习 | 第48-49页 |
| 6.4 人工神经网络的优缺点 | 第49-50页 |
| 6.5 人工神经网络业务的仿真 | 第50-52页 |
| 6.6 遗传算法改进神经网络 | 第52页 |
| 6.7 本章小结 | 第52-53页 |
| 第七章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57页 |
